論文の概要: U-OBCA: Uncertainty-Aware Optimization-Based Collision Avoidance via Wasserstein Distributionally Robust Chance Constraints
- arxiv url: http://arxiv.org/abs/2603.04914v1
- Date: Thu, 05 Mar 2026 07:59:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:41.929764
- Title: U-OBCA: Uncertainty-Aware Optimization-Based Collision Avoidance via Wasserstein Distributionally Robust Chance Constraints
- Title（参考訳）: U-OBCA: 不確実性を考慮した最適化に基づく衝突回避
- Authors: Zehao Wang, Yuxuan Tang, Han Zhang, Jingchuan Wang, Weidong Chen,
- Abstract要約: 移動障害物や環境障害の軌道予測誤差から生じる不確実性は、ロボットの安全なナビゲーションに重大な課題をもたらす。
既存の不確実性を意識したプランナーは、円や楕円のような単純な幾何学的プリミティブを用いて、多角形ロボットや障害物を近似することが多い。
我々は、最適化に基づく衝突回避フレームワークを、emphU-OBCAと呼ばれる不確実性を考慮した定式化に拡張する。
U-OBCAは軌道計画における保守性を著しく軽減し,既存のベースライン法と比較して航法効率を向上することを示す。
- 参考スコア（独自算出の注目度）: 20.749251189493563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Uncertainties arising from localization error, trajectory prediction errors of the moving obstacles and environmental disturbances pose significant challenges to robot's safe navigation. Existing uncertainty-aware planners often approximate polygon-shaped robots and obstacles using simple geometric primitives such as circles or ellipses. Though computationally convenient, these approximations substantially shrink the feasible space, leading to overly conservative trajectories and even planning failure in narrow environments. In addition, many such methods rely on specific assumptions about noise distributions, which may not hold in practice and thus limit their performance guarantees. To address these limitations, we extend the Optimization-Based Collision Avoidance (OBCA) framework to an uncertainty-aware formulation, termed \emph{U-OBCA}. The proposed method explicitly accounts for the collision risk between polygon-shaped robots and obstacles by formulating OBCA-based chance constraints, and hence avoiding geometric simplifications and reducing unnecessary conservatism. These probabilistic constraints are further tightened into deterministic nonlinear constraints under mild distributional assumptions, which can be solved efficiently by standard numerical optimization solvers. The proposed approach is validated through theoretical analysis, numerical simulations and real-world experiments. The results demonstrate that U-OBCA significantly mitigates the conservatism in trajectory planning and achieves higher navigation efficiency compared to existing baseline methods, particularly in narrow and cluttered environments.
- Abstract（参考訳）: 移動障害物や環境障害の軌道予測誤差から生じる不確実性は、ロボットの安全なナビゲーションに重大な課題をもたらす。
既存の不確実性を意識したプランナーは、円や楕円のような単純な幾何学的プリミティブを用いて、多角形ロボットや障害物を近似することが多い。
計算上便利ではあるが、これらの近似は実現可能な空間を著しく縮小し、過度に保守的な軌道を導き、狭い環境で失敗を計画する。
さらに、そのような手法の多くはノイズ分布に関する特定の仮定に依存しており、これは実際には成立しない可能性があり、それによって性能保証が制限される。
これらの制約に対処するため、最適化ベースの衝突回避(OBCA)フレームワークを不確実性を認識した定式化(emph{U-OBCA})に拡張する。
提案手法は、OBCAに基づく確率制約を定式化することにより、多角形ロボットと障害物との衝突リスクを明示的に考慮し、幾何学的単純化を回避し、不要な保守性を低減する。
これらの確率的制約は、より穏やかな分布仮定の下で決定論的非線形制約に強化され、標準的な数値最適化解法によって効率的に解ける。
提案手法は理論的解析,数値シミュレーション,実世界の実験を通じて検証される。
その結果、U-OBCAは軌道計画における保守性を著しく軽減し、特に狭く散らばった環境において、既存のベースライン法と比較して航法効率の向上を図っている。
関連論文リスト
- Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。
適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。
これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
論文 参考訳（メタデータ） (2026-03-07T08:01:20Z) - The Theory and Practice of MAP Inference over Non-Convex Constraints [11.058494098615576]
安全クリティカルな設定では、確率的MLシステムは代数的制約の下で予測を行う必要がある。
これにより、制約された最大値 (MAP) の予測を効率的にかつ確実に行うことができる。
この抽出可能なフラグメントに対して,スケーラブルなメッセージパッシングアルゴリズムを考案する。
そこで我々は,領域を凸可能な領域に分割する一般的なMAP戦略を考案した。
論文 参考訳（メタデータ） (2026-02-09T14:05:58Z) - CP-NCBF: A Conformal Prediction-based Approach to Synthesize Verified Neural Control Barrier Functions [2.092779643426281]
制御バリア関数(CBF)は、安全クリティカルなコントローラを設計するための実践的なアプローチである。
近年,ニューラルCBFのような学習ベースの手法でこの問題に対処する研究が進められている。
本稿では, 分割整形予測を利用して, 正式に検証されたニューラルCBFを生成する新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2025-03-18T10:01:06Z) - Generalization Bounds of Surrogate Policies for Combinatorial Optimization Problems [53.03951222945921]
我々はスムーズな(摂動された)ポリシーを解析し、線形オラクルが使用する方向に対して制御されたランダムな摂動を付加する。
我々の主な貢献は、過剰リスクを摂動バイアス、統計的推定誤差、最適化誤差に分解する一般化境界である。
車両のスケジューリングやスムーズ化がトラクタブルトレーニングと制御された一般化の両方を可能にしていることを示す。
論文 参考訳（メタデータ） (2024-07-24T12:00:30Z) - Online Constraint Tightening in Stochastic Model Predictive Control: A
Regression Approach [49.056933332667114]
確率制約付き最適制御問題に対する解析解は存在しない。
制御中の制約強調パラメータをオンラインで学習するためのデータ駆動型アプローチを提案する。
提案手法は, 確率制約を厳密に満たす制約強調パラメータを導出する。
論文 参考訳（メタデータ） (2023-10-04T16:22:02Z) - Safe motion planning with environment uncertainty [1.4824891788575418]
本稿では,ロボットの状態と環境の不確実性を考慮した安全な運動計画手法を提案する。
我々はまず,ロボットのローカライゼーションにおける画期的な不確実性を考慮したアプローチを開発する。
次に、衝突確率の正確な式を計算することにより、最先端の手法を拡張する。
論文 参考訳（メタデータ） (2023-05-10T09:29:41Z) - Penalized Proximal Policy Optimization for Safe Reinforcement Learning [68.86485583981866]
本稿では、等価な制約のない問題の単一最小化により、煩雑な制約付きポリシー反復を解決するP3Oを提案する。
P3Oは、コスト制約を排除し、クリップされたサロゲート目的による信頼領域制約を除去するために、単純なyet効果のペナルティ関数を利用する。
P3Oは,一連の制約された機関車作業において,報酬改善と制約満足度の両方に関して,最先端のアルゴリズムより優れていることを示す。
論文 参考訳（メタデータ） (2022-05-24T06:15:51Z) - Improving Generalization via Uncertainty Driven Perturbations [107.45752065285821]
トレーニングデータポイントの不確実性による摂動について考察する。
損失駆動摂動とは異なり、不確実性誘導摂動は決定境界を越えてはならない。
線形モデルにおいて,UDPがロバスト性マージン決定を達成することが保証されていることを示す。
論文 参考訳（メタデータ） (2022-02-11T16:22:08Z) - Robust Reinforcement Learning with Wasserstein Constraint [49.86490922809473]
最適なロバストなポリシーの存在を示し、摂動に対する感度分析を行い、新しいロバストな学習アルゴリズムを設計する。
提案アルゴリズムの有効性はCart-Pole環境で検証する。
論文 参考訳（メタデータ） (2020-06-01T13:48:59Z) - Online Mapping and Motion Planning under Uncertainty for Safe Navigation
in Unknown Environments [3.2296078260106174]
本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。
提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
論文 参考訳（メタデータ） (2020-04-26T08:53:37Z) - 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。