論文の概要: Contingency-Aware Planning via Certified Neural Hamilton-Jacobi Reachability

• arxiv url: http://arxiv.org/abs/2603.17022v1
• Date: Tue, 17 Mar 2026 18:04:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-21 18:33:56.927586
• Title: Contingency-Aware Planning via Certified Neural Hamilton-Jacobi Reachability
• Title（参考訳）: ニューラルハミルトン・ヤコビ到達性認定による並行性を考慮した計画
• Authors: Kasidit Muenprasitivej, Derya Aksaray,
• Abstract要約: Hamilton-Jacobi (HJ) 到達性は力学系に対して正式な安全保証を提供する。 本稿では,学習型リーチビリティとサンプリング型プランニングを統合した同時対応マルチゴールナビゲーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hamilton-Jacobi (HJ) reachability provides formal safety guarantees for dynamical systems, but solving high-dimensional HJ partial differential equations limits its use in real-time planning. This paper presents a contingency-aware multi-goal navigation framework that integrates learning-based reachability with sampling-based planning in unknown environments. We use Fourier Neural Operator (FNO) to approximate the solution operator of the Hamilton-Jacobi-Isaacs variational inequality under varying obstacle configurations. We first provide a theoretical under-approximation guarantee on the safe backward reach-avoid set, which enables formal safety certification of the learned reachable sets. Then, we integrate the certified reachable sets with an incremental multi-goal planner, which enforces reachable-set constraints and a recovery policy that guarantees finite-time return to a safe region. Overall, we demonstrate that the proposed framework achieves asymptotically optimal navigation with provable contingency behavior, and validate its performance through real-time deployment on KUKA's youBot in Webots simulation.
• Abstract（参考訳）: ハミルトン・ヤコビ(HJ)の到達性は力学系に対する公式な安全保証を提供するが、高次元HJ偏微分方程式の解法はリアルタイム計画においてその使用を制限する。 本稿では,学習型リーチビリティと未知環境におけるサンプリング型プランニングを統合した同時対応マルチゴールナビゲーションフレームワークを提案する。 ファリエニューラル演算子 (FNO) を用いて、ハミルトン・ヤコビ・イザックス変分不等式を様々な障害物構成下で解演算子に近似する。 まず,安全な後進リーチエイド集合に対して,理論的に過度に近似された保証を提供することにより,学習可能な集合の形式的安全性を保証できる。 次に,認証された到達可能な集合と,到達可能な制約を強制するインクリメンタルマルチゴールプランナと,安全な領域への有限時間復帰を保証するリカバリポリシを統合する。 全体として,提案するフレームワークは,証明可能な並行動作を伴う漸近的最適ナビゲーションを実現し,WebotsシミュレーションにおけるKUKAのyouBot上でのリアルタイム展開により,その性能を検証した。

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)
• Kernel-Based Learning of Safety Barriers [0.9367224590861915]
  安全クリティカルなアプリケーションにおけるAIアルゴリズムの迅速な統合は、厳格な安全基準を満たす能力に対する懸念を高めている。 従来の安全検証ツールでは、AI駆動システムのブラックボックスの性質に苦戦している。 離散時間力学を用いたブラックボックスシステムの安全性検証と合成のためのデータ駆動方式を提案する。
  論文  参考訳（メタデータ） (2026-01-17T10:42:35Z)
• LUCID: Learning-Enabled Uncertainty-Aware Certification of Stochastic Dynamical Systems [0.8574682463936006]
  従来の形式的検証ツールは、不透明なブラックボックスAIコンポーネントと複雑なダイナミクスの両方を組み込んだシステムに直面したときに不足する。 我々は,ブラックボックス埋め込み動的システムの安全性を証明するための検証エンジンであるLUCIDを紹介する。 LUCIDは、このようなシステムの安全性を定量化する最初のツールである。
  論文  参考訳（メタデータ） (2025-12-12T17:46:50Z)
• Learning Maximal Safe Sets Using Hypernetworks for MPC-based Local Trajectory Planning in Unknown Environments [1.3182466374784207]
  本稿では,未知の静的環境における局所軌道計画のための最適集合のオンライン推定のための学習に基づく新しいアプローチを提案する。 モデル予測制御(MPC)ローカルプランナの終端セット制約として、集合の神経表現を用いる。 我々は,提案手法であるNTC-MPCを物理ロボットに展開し,ベースラインが故障した場合の障害物を安全に回避できることを実証した。
  論文  参考訳（メタデータ） (2024-10-26T20:37:57Z)
• When Demonstrations Meet Generative World Models: A Maximum Likelihood Framework for Offline Inverse Reinforcement Learning [62.00672284480755]
  本稿では, 専門家エージェントから, 一定の有限個の実演において観測された動作を過小評価する報酬と環境力学の構造を復元することを目的とする。 タスクを実行するための正確な専門知識モデルは、臨床的意思決定や自律運転のような安全に敏感な応用に応用できる。
  論文  参考訳（メタデータ） (2023-02-15T04:14:20Z)
• 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)
• Safety-aware Policy Optimisation for Autonomous Racing [17.10371721305536]
  ハミルトン・ヤコビ(HJ)到達可能性理論を制約付きマルコフ決定過程(CMDP)フレームワークに導入する。 我々は,HJの安全性を視覚的文脈で直接学習できることを実証した。 我々は、最近リリースされた高忠実な自律走行環境であるSafety GymやLearning-to-Race (L2R)など、いくつかのベンチマークタスクにおいて、本手法の評価を行った。
  論文  参考訳（メタデータ） (2021-10-14T20:15:45Z)

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。