論文の概要: Neural Process-Based Reactive Controller for Autonomous Racing
- arxiv url: http://arxiv.org/abs/2601.12143v1
- Date: Sat, 17 Jan 2026 19:16:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:40.820729
- Title: Neural Process-Based Reactive Controller for Autonomous Racing
- Title（参考訳）: 自律走行のためのニューラルプロセスに基づく反応性制御
- Authors: Devin Hunter, Chinwendu Enyioha,
- Abstract要約: 本稿では,Attentive Neural Process (AttNP) と物理インフォームド拡張 (PI-AttNP) を用いたギャップベースのナビゲーションのための新しいリアクティブ制御フレームワークを提案する。
衝突回避制約を解析的に強制する制御障壁関数(CBF)に基づくフィルタリング機構を導出し実装する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Attention-based neural architectures have become central to state-of-the-art methods in real-time nonlinear control. As these data-driven models continue to be integrated into increasingly safety-critical domains, ensuring statistically grounded and provably safe decision-making becomes essential. This paper introduces a novel reactive control framework for gap-based navigation using the Attentive Neural Process (AttNP) and a physics-informed extension, the PI-AttNP. Both models are evaluated in a simulated F1TENTH-style Ackermann steering racecar environment, chosen as a fast-paced proxy for safety-critical autonomous driving scenarios. The PI-AttNP augments the AttNP architecture with approximate model-based priors to inject physical inductive bias, enabling faster convergence and improved prediction accuracy suited for real-time control. To further ensure safety, we derive and implement a control barrier function (CBF)-based filtering mechanism that analytically enforces collision avoidance constraints. This CBF formulation is fully compatible with the learned AttNP controller and generalizes across a wide range of racing scenarios, providing a lightweight and certifiable safety layer. Our results demonstrate competitive closed-loop performance while ensuring real-time constraint satisfaction.
- Abstract（参考訳）: 注意に基づくニューラルアーキテクチャは、リアルタイム非線形制御において最先端の手法の中心となっている。
これらのデータ駆動モデルは、ますます安全クリティカルな領域に統合され続けており、統計的に根拠があり、確実に安全な意思決定が不可欠である。
本稿では,Atttive Neural Process (AttNP) と物理インフォームド拡張であるPI-AttNPを用いた,ギャップベースのナビゲーションのための新しいリアクティブ制御フレームワークを提案する。
どちらのモデルもF1TENTHスタイルのAckermannステアリングレースカー環境で評価され、安全クリティカルな自動運転シナリオの高速なプロキシとして選択される。
PI-AttNPは、AttNPアーキテクチャを近似モデルベースで拡張し、物理的誘導バイアスを注入し、より高速な収束とリアルタイム制御に適した予測精度を向上させる。
さらに安全性を確保するため、衝突回避制約を解析的に適用する制御バリア関数(CBF)に基づくフィルタリング機構を導出し実装する。
このCBFの定式化は学習したAttNPコントローラと完全に互換性があり、幅広いレースシナリオを一般化し、軽量で認証可能な安全層を提供する。
本結果は,実時間制約満足度を確保しつつ,競合する閉ループ性能を示すものである。
関連論文リスト
- Safety-Guaranteed Imitation Learning from Nonlinear Model Predictive Control for Spacecraft Close Proximity Operations [39.146761527401424]
本稿では,宇宙船近接制御のための安全保証型,実行時効率の模倣学習フレームワークを提案する。
安全証明書にはCBF(Control Barrier Functions)、安定性にはCLF(Control Lyapunov Functions)を活用しています。
実行時分析では、市販のオフザシェルフプロセッサでリアルタイムに実現可能であることを示し、安全クリティカルな軌道上サービスのためのオンボードデプロイメントをサポートする。
論文 参考訳（メタデータ） (2026-03-19T13:47:18Z) - Conditional Flow Matching for Continuous Anomaly Detection in Autonomous Driving on a Manifold-Aware Spectral Space [0.0]
安全クリティカルな異常検出のための教師なしフレームワークであるDeep-Flowを提案する。
不安定で高次元の座標空間で動作する標準的な生成的アプローチとは異なり、Deep-Flowは生成過程を低ランクのスペクトル多様体に制約する。
これにより、設計によるキネマティックな滑らかさが保証され、数値的に安定で決定論的な対数類似度推定の計算が可能になる。
論文 参考訳（メタデータ） (2026-02-19T18:10:16Z) - Model-Based Policy Adaptation for Closed-Loop End-to-End Autonomous Driving [54.46325690390831]
本稿では,事前学習したE2E運転エージェントのロバスト性と安全性を高めるための汎用フレームワークとして,モデルベースポリシー適応(MPA)を提案する。
MPAは、ジオメトリ一貫性のあるシミュレーションエンジンを用いて、まず様々な対物軌道を生成する。
MPAは拡散ベースのポリシーアダプタを訓練し、基本方針の予測を洗練させ、Q値モデルを多段階に分けて長期的な結果を評価する。
論文 参考訳（メタデータ） (2025-11-26T17:01:41Z) - PCARNN-DCBF: Minimal-Intervention Geofence Enforcement for Ground Vehicles [4.948792379664547]
本稿では,PCARNN-DCBFについて紹介する。これは物理符号化された制御-アフィン残差ネットワークとプレビューベースの離散制御バリアを統合した新しいパイプラインである。
一般的な学習モデルとは異なり、PCARNNは車両力学の制御-アフィン構造を明示的に保持し、信頼性の高い最適化に必要な線形性を保証する。
電気および燃焼プラットフォームにわたるCARLAの実験では、この構造保存アプローチが解析的および非構造的神経ベースラインを著しく上回ることを示した。
論文 参考訳（メタデータ） (2025-11-19T15:19:32Z) - Deep Bilinear Koopman Model for Real-Time Vehicle Control in Frenet Frame [0.0]
本稿では,カービリニアFrenetフレーム内の車両力学のモデリングと制御のための深いクープマン手法を提案する。
提案フレームワークは、深層ニューラルネットワークアーキテクチャを使用して、データからクープマン演算子とその関連する不変部分空間を同時に学習する。
提案した制御器は, ベースライン制御器と比較して追従誤差を著しく低減し, 組込み自動運転車システムにおけるリアルタイム実装に適していることを確認した。
論文 参考訳（メタデータ） (2025-07-16T18:49:44Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Pointwise Feasibility of Gaussian Process-based Safety-Critical Control
under Model Uncertainty [77.18483084440182]
制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。
本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
論文 参考訳（メタデータ） (2021-06-13T23:08:49Z) - Reinforcement Learning for Safety-Critical Control under Model
Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。
RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
論文 参考訳（メタデータ） (2020-04-16T10:51:33Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。