論文の概要: CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments

• arxiv url: http://arxiv.org/abs/2603.06921v1
• Date: Fri, 06 Mar 2026 22:44:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.402011
• Title: CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments
• Title（参考訳）: CN-CBF:動的環境における安全ロボットナビゲーションのための複合型ニューラルコントロールバリア機能
• Authors: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig,
• Abstract要約: 動的環境下での安全なロボットナビゲーションのための,シンプルで効果的なニューラルネットワークCBF設計法を提案する。 我々は、複数の神経CBFを1つのCBFに結合する複合CBFの考え方を採用する。 個々のCBFはハミルトン-ヤコビ到達可能性フレームワークを介して訓練され、単一の移動障害物に対する最適安全セットを近似する。
• 参考スコア（独自算出の注目度）: 2.7458654644827134
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe navigation of autonomous robots remains one of the core challenges in the field, especially in dynamic and uncertain environments. One of the prevalent approaches is safety filtering based on control barrier functions (CBFs), which are easy to deploy but difficult to design. Motivated by the shortcomings of existing learning- and model-based methods, we propose a simple yet effective neural CBF design method for safe robot navigation in dynamic environments. We employ the idea of a composite CBF, where multiple neural CBFs are combined into a single CBF. The individual CBFs are trained via the Hamilton-Jacobi reachability framework to approximate the optimal safe set for single moving obstacles. Additionally, we use the residual neural architecture, which guarantees that the estimated safe set does not intersect with the corresponding failure set. The method is extensively evaluated in simulation experiments for a ground robot and a quadrotor, comparing it against several baseline methods. The results show improved success rates of up to 18\% compared to the best baseline, without increasing the conservativeness of the motion. Also, the method is demonstrated in hardware experiments for both types of robots.
• Abstract（参考訳）: 自律型ロボットの安全なナビゲーションは、この分野、特に動的で不確実な環境における重要な課題の1つだ。 一般的なアプローチの1つは、制御バリア関数(CBF)に基づく安全フィルタリングである。 既存の学習法とモデルに基づく手法の欠点に触発されて,動的環境における安全なロボットナビゲーションのための,シンプルで効果的なニューラルネットワークCBF設計法を提案する。 我々は、複数の神経CBFを1つのCBFに結合する複合CBFの考え方を採用する。 個々のCBFはハミルトン-ヤコビ到達可能性フレームワークを介して訓練され、単一の移動障害物に対する最適安全セットを近似する。 さらに、推定された安全集合が対応する障害集合と干渉しないことを保証する残差ニューラルネットワークを用いる。 本手法は, 地上ロボットと四脚ロボットのシミュレーション実験において, いくつかの基本手法と比較し, 広範に評価されている。 その結果, 運動の保守性を高めることなく, 最高のベースラインに比べて最大18%の成功率が向上した。 また,本手法は両ロボットのハードウェア実験で実証された。

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)
• 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)
• Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
  本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。 提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。 これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
  論文  参考訳（メタデータ） (2025-04-30T13:47:25Z)
• Neural Control Barrier Functions from Physics Informed Neural Networks [2.092779643426281]
  本稿では,物理に着想を得たニューラルネットワークフレームワークを活用した新しいニューラルネットワークCBFについて紹介する。 CBFをゼロにする代わりに相互にCBFを利用することで、フレキシブルでユーザ定義の安全な領域を指定できる。
  論文  参考訳（メタデータ） (2025-04-15T10:13:30Z)
• Fault Tolerant Neural Control Barrier Functions for Robotic Systems under Sensor Faults and Attacks [6.314000948709254]
  センサ故障および攻撃下でのロボットシステムの安全臨界制御合成について検討した。 我々の主な貢献は、障害耐性神経制御バリア機能(FT-NCBF)と呼ばれる新しいCBFの開発と合成である。
  論文  参考訳（メタデータ） (2024-02-28T19:44:19Z)
• Safe Neural Control for Non-Affine Control Systems with Differentiable Control Barrier Functions [58.19198103790931]
  本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。 制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。 我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
  論文  参考訳（メタデータ） (2023-09-06T05:35:48Z)
• Online Control Barrier Functions for Decentralized Multi-Agent Navigation [15.876920170393168]
  制御バリア関数(CBF)は、連続領域における安全なマルチエージェントナビゲーションを可能にする。 伝統的なアプローチでは、パラメータが Apriori にチューニングされる固定CBF を考える。 オンラインCBFを提案し、ハイパーパラメータをリアルタイムに調整する。
  論文  参考訳（メタデータ） (2023-03-08T01:28:18Z)
• Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
  メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。 コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。 ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
  論文  参考訳（メタデータ） (2022-10-03T08:38:38Z)
• 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)
• 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。