論文の概要: A Feasibility-Enhanced Control Barrier Function Method for Multi-UAV Collision Avoidance

• arxiv url: http://arxiv.org/abs/2603.13103v1
• Date: Fri, 13 Mar 2026 15:58:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.771633
• Title: A Feasibility-Enhanced Control Barrier Function Method for Multi-UAV Collision Avoidance
• Title（参考訳）: マルチUAV衝突回避のための可能性向上制御バリア関数法
• Authors: Qishen Zhong, Junlong Wu, Jian Yang, Guanwei Xiao, Junqi Wu, Zimeng Jiang, Pingan Fang,
• Abstract要約: 本稿では,マルチUAV衝突回避のためのFECBFフレームワークを提案する。 密集した多UAVシナリオでは、CBF二次プログラム(CBF-QP)の実現性は内部不整合性によって損なわれる可能性がある。
• 参考スコア（独自算出の注目度）: 8.527260258364894
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper presents a feasibility-enhanced control barrier function (FECBF) framework for multi-UAV collision avoidance. In dense multi-UAV scenarios, the feasibility of the CBF quadratic program (CBF-QP) can be compromised due to internal incompatibility among multiple CBF constraints. To address this issue, we analyze the internal compatibility of CBF constraints and derive a sufficient condition for internal compatibility. Based on this condition, a sign-consistency constraint is introduced to mitigate internal incompatibility. The proposed constraint is incorporated into a decentralized CBF-QP formulation using worst-case estimates and slack variables. Simulation results demonstrate that the proposed method significantly reduces infeasibility and improves collision avoidance performance compared with existing baselines in dense scenarios. Additional simulations under varying time delays demonstrate the robustness of the proposed method. Real-world experiments validate the practical applicability of the proposed method.
• Abstract（参考訳）: 本稿では,マルチUAV衝突回避のためのFECBFフレームワークを提案する。 密集多UAVシナリオでは、CBF2次プログラム(CBF-QP)の実現性は、複数のCBF制約間の内部不整合性によって損なわれる可能性がある。 この問題に対処するために、CBF制約の内部互換性を分析し、内部互換性に十分な条件を導出する。 この条件に基づいて、内部の非互換性を軽減するために、符号整合性制約を導入する。 提案した制約は,最悪のケース推定値とスラック変数を用いた分散CBF-QP定式化に組み込まれている。 シミュレーションの結果,提案手法は高密度シナリオにおける既存のベースラインと比較して,実現可能性を大幅に低減し,衝突回避性能を向上することが示された。 時間遅延の異なる追加シミュレーションは,提案手法のロバスト性を示す。 実世界の実験により,提案手法の有効性が検証された。

関連論文リスト

• 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)
• 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)
• Wasserstein Distributionally Robust Control Barrier Function using Conditional Value-at-Risk with Differentiable Convex Programming [4.825619788907192]
  制御バリア関数 (CBF) は、現実世界の安全クリティカルシステムのための安全なコントローラの設計に広く注目を集めている。 分布変化下でのレジリエンスを達成するために, 分散ロバストCBFを提案する。 また、高次システムに対するDR-CBFの近似変種も提供する。
  論文  参考訳（メタデータ） (2023-09-15T18:45:09Z)
• 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)
• On the Optimality, Stability, and Feasibility of Control Barrier Functions: An Adaptive Learning-Based Approach [4.399563188884702]
  制御バリア機能(CBF)とその変種は、安全クリティカルな制御のために広く注目を集めている。 現在のCBFには、最適性、安定性、実現可能性という根本的な制限がある。 本稿では,適応多段階制御バリア関数 (AM-CBF) を提案し,ニューラルネットワークを用いてクラス$mathcalK$関数をパラメータ化し,強化学習ポリシーとともに学習する。
  論文  参考訳（メタデータ） (2023-05-05T15:11:28Z)
• 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)
• 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。