論文の概要: Refining Almost-Safe Value Functions on the Fly

• arxiv url: http://arxiv.org/abs/2602.23478v1
• Date: Thu, 26 Feb 2026 20:10:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.749921
• Title: Refining Almost-Safe Value Functions on the Fly
• Title（参考訳）: ほぼ安全な値関数をフライで精製する
• Authors: Sander Tonkens, Sosuke Kojima, Chenhao Liu, Judy Masri, Sylvia Herbert,
• Abstract要約: 制御バリア関数(CBF)は、ロボットの安全性を保証する強力なツールである。 しかし、複雑なシステムに対して有効なCBFを設計または学習することは大きな課題である。 本稿では,オフラインとオンライン間のギャップを埋める。
• 参考スコア（独自算出の注目度）: 0.2770822269241973
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control Barrier Functions (CBFs) are a powerful tool for ensuring robotic safety, but designing or learning valid CBFs for complex systems is a significant challenge. While Hamilton-Jacobi Reachability provides a formal method for synthesizing safe value functions, it scales poorly and is typically performed offline, limiting its applicability in dynamic environments. This paper bridges the gap between offline synthesis and online adaptation. We introduce refineCBF for refining an approximate CBF - whether analytically derived, learned, or even unsafe - via warm-started HJ reachability. We then present its computationally efficient successor, HJ-Patch, which accelerates this process through localized updates. Both methods guarantee the recovery of a safe value function and can ensure monotonic safety improvements during adaptation. Our experiments validate our framework's primary contribution: in-the-loop, real-time adaptation, in simulation (with detailed value function analysis) and on physical hardware. Our experiments on ground vehicles and quadcopters show that our framework can successfully adapt to sudden environmental changes, such as new obstacles and unmodeled wind disturbances, providing a practical path toward deploying formally guaranteed safety in real-world settings.
• Abstract（参考訳）: 制御バリア関数(CBF)はロボットの安全性を保証する強力なツールだが、複雑なシステムに対して有効なCBFを設計または学習することは大きな課題である。 Hamilton-Jacobi Reachability は安全な値関数を合成するための形式的な方法を提供するが、スケールが悪く、通常オフラインで実行され、動的環境における適用性を制限する。 本稿ではオフライン合成とオンライン適応のギャップを埋める。 我々は,HJ到達性を用いて,解析的に導出する,学習する,あるいは安全でない,近似CBFを精製するための精細CBFを紹介する。 次に、その計算効率の良い後継HJ-Patchを提示し、ローカライズされた更新によってこのプロセスを加速する。 どちらの手法も安全な値関数の回復を保証し、適応中に単調な安全性の向上を保証できる。 実験では,本フレームワークの主な貢献として,ループ内,リアルタイム適応,シミュレーション(詳細な値関数解析による)および物理ハードウェアについて検証した。 地上車両とクワッドコプターを用いた実験により,新たな障害物や風の乱れなどの突然の環境変化に適応できることを示す。

関連論文リスト

• BarrierSteer: LLM Safety via Learning Barrier Steering [83.12893815611052]
  BarrierSteerは、学習した非線形安全性制約を直接モデルの潜在表現空間に埋め込むことで、安全性を形式化する新しいフレームワークである。 BarrierSteerは、敵の成功率を大幅に低下させ、安全でない世代を減少させ、既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2026-02-23T18:19:46Z)
• UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
  大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。 安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。 この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
  論文  参考訳（メタデータ） (2025-10-02T16:43:33Z)
• ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks [2.7458654644827134]
  制御障壁関数 (CBF) は自律システムの安全クリティカル制御の有効な方法として実証されている。 ハミルトン・ヤコビ(HJ)の到達可能性解析に基づく観測条件付きニューラルCBFを提案する。
  論文  参考訳（メタデータ） (2025-09-20T10:29:36Z)
• RISE: Robust Imitation through Stochastic Encoding [0.764671395172401]
  本稿では,環境パラメータの誤った測定をポリシー学習に明示的に対応させる,新しい模倣学習フレームワークを提案する。 我々のフレームワークは、障害状態、向き、速度などのパラメータを潜在空間にエンコードし、テスト時間を改善する。 我々は,2つのロボットプラットフォームに対するアプローチを検証するとともに,目標達成性能をベースライン法と比較し,安全性の向上を図っている。
  論文  参考訳（メタデータ） (2025-03-15T19:52:16Z)
• Recursively Feasible Probabilistic Safe Online Learning with Control Barrier Functions [60.26921219698514]
  CBFをベースとした安全クリティカルコントローラのモデル不確実性を考慮した再構成を提案する。 次に、結果の安全制御器のポイントワイズ実現可能性条件を示す。 これらの条件を利用して、イベントトリガーによるオンラインデータ収集戦略を考案する。
  論文  参考訳（メタデータ） (2022-08-23T05:02:09Z)
• Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety [7.921648699199647]
  ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリック手法を提案する。 GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。 固定的かつ任意の安全な集合に対する安全な制御を実証することにより、クワッド上で実験により検証する。
  論文  参考訳（メタデータ） (2022-03-29T12:21:28Z)
• 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)
• 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。