論文の概要: A Safety-Aware Shared Autonomy Framework with BarrierIK Using Control Barrier Functions

• arxiv url: http://arxiv.org/abs/2603.01705v1
• Date: Mon, 02 Mar 2026 10:28:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 08:17:41.823847
• Title: A Safety-Aware Shared Autonomy Framework with BarrierIK Using Control Barrier Functions
• Title（参考訳）: 制御バリア関数を用いたBarrierIKを用いた安全対応共有自律型フレームワーク
• Authors: Berk Guler, Kay Pompetzki, Yuanzheng Sun, Simon Manschitz, Jan Peters,
• Abstract要約: 乱雑な環境では、各ソースが個別に衝突しない場合でも、線形ブレンディングは安全でないコマンドを生成することができる。 共有自律性の逆運動学層における制御障壁関数(CBF)の使用について検討する。 提案手法は,代表的乱雑環境のシミュレーションおよびVR遠隔操作研究において評価される。
• 参考スコア（独自算出の注目度）: 12.632998789712547
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Shared autonomy blends operator intent with autonomous assistance. In cluttered environments, linear blending can produce unsafe commands even when each source is individually collision-free. Many existing approaches model obstacle avoidance through potentials or cost terms, which only enforce safety as a soft constraint. In contrast, safety-critical control requires hard guarantees. We investigate the use of control barrier functions (CBFs) at the inverse kinematics (IK) layer of shared autonomy, targeting post-blend safety while preserving task performance. Our approach is evaluated in simulation on representative cluttered environments and in a VR teleoperation study comparing pure teleoperation with shared autonomy. Across conditions, employing CBFs at the IK layer reduces violation time and increases minimum clearance while maintaining task performance. In the user study, participants reported higher perceived safety and trust, lower interference, and an overall preference for shared autonomy with our safety filter. Additional materials available at https://berkguler.github.io/barrierik.
• Abstract（参考訳）: 共有された自律は、オペレーターの意図と自律的な援助をブレンドする。 乱雑な環境では、各ソースが個別に衝突しない場合でも、線形ブレンディングは安全でないコマンドを生成することができる。 既存の多くのアプローチは、ソフト制約としてのみ安全を強制するポテンシャルやコスト項を通じて障害物回避をモデル化している。 対照的に、安全クリティカルな制御には厳しい保証が必要である。 タスク性能を保ちながら,作業後の安全を目標として,制御障壁関数(CBF)を,共有自律の逆運動学(IK)層で使用することを検討した。 提案手法は, 代表的乱雑環境のシミュレーションや, 純粋遠隔操作と共有自律性を比較したVR遠隔操作研究において評価された。 IK層でのCBFの使用は、条件を越えて違反時間を短縮し、タスク性能を維持しながら最小限のクリアランスを増大させる。 ユーザ調査では,安全性と信頼が向上し,干渉が低下し,安全フィルタによる自律性共有が全般的に優先された。 追加資料はhttps://berkguler.github.io/barrierik.comにある。

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)
• PoSafeNet: Safe Learning with Poset-Structured Neural Nets [49.854863600271614]
  既存のアプローチは、しばしば複数の安全制約を均一に、または固定された優先命令によって強制し、実現不可能と不安定な振る舞いを引き起こす。 我々は、この設定を擬似構造的安全性として定式化し、安全制約を部分的に順序づけられた集合としてモデル化し、安全構成を政策クラスの構造的特性として扱う。 この定式化に基づいて、逐次クローズドフォームプロジェクションを介して安全性を強制する、識別可能な神経安全層であるPoSafeNetを提案する。
  論文  参考訳（メタデータ） (2026-01-29T22:03:32Z)
• V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions [8.042484673796137]
  V-OCBF(Value-Guided Offline Control Barrier Function)を導入する。 オフラインデモから完全にニューラルネットワークCBFを学習する。 基準法よりも安全性違反が著しく少ない。
  論文  参考訳（メタデータ） (2025-12-11T17:14:37Z)
• 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)
• Efficient Switchable Safety Control in LLMs via Magic-Token-Guided Co-Training [1.5349686675266894]
  LLM(Large Language Models)におけるコンテンツ安全性の現在の手法は、マルチステージトレーニングパイプラインに依存している。 複数の安全性挙動を効率的に統合する統合協調学習フレームワークを提案する。 我々は,SFT+DPOの安全アライメント品質に一致し,安全性能においてDeepSeek-R1 (671B) を上回る8Bモデルを示した。
  論文  参考訳（メタデータ） (2025-08-12T02:39:33Z)
• A Physics-Informed Machine Learning Framework for Safe and Optimal Control of Autonomous Systems [8.347548017994178]
  安全性とパフォーマンスは競合する目標になり得るため、共同最適化が難しくなる。 本稿では,性能目標をコスト関数で符号化し,安全性要件を状態制約として課す,状態制約付き最適制御問題を提案する。 結果値関数はハミルトン・ヤコビ・ベルマン方程式を満たすことを示した。
  論文  参考訳（メタデータ） (2025-02-16T09:46:17Z)
• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• A Multiplicative Value Function for Safe and Efficient Reinforcement Learning [131.96501469927733]
  本稿では,安全評論家と報酬評論家からなる新しい乗法値関数を持つモデルフリーRLアルゴリズムを提案する。 安全評論家は、制約違反の確率を予測し、制限のないリターンのみを見積もる報酬批評家を割引する。 安全制約を付加した古典的RLベンチマークや、画像を用いたロボットナビゲーションタスク、生のライダースキャンを観察する4つの環境において、本手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-07T18:29:15Z)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)

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。