論文の概要: A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance

• arxiv url: http://arxiv.org/abs/2603.19424v1
• Date: Thu, 19 Mar 2026 19:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-23 19:48:38.852608
• Title: A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance
• Title（参考訳）: 全体連続型ソフトロボット衝突回避のためのCLF-CBF制御器
• Authors: Kiwan Wong, Maximillian Stölzle, Wei Xiao, Daniela Rus,
• Abstract要約: ソフト連続マニピュレータは機械的コンプライアンスを通じて受動的安全性を提供する。 サンプリングベースの計画のような既存のアプローチは、しばしば計算コストが高く、正式な安全保証がない。 本稿では,リアルタイム3次元障害物回避のための閉形式制御リャプノフ関数-制御バリア関数(CLF-CBF)について述べる。
• 参考スコア（独自算出の注目度）: 45.63674336069651
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safe operation is essential for deploying robots in human-centered 3D environments. Soft continuum manipulators provide passive safety through mechanical compliance, but still require active control to achieve reliable collision avoidance. Existing approaches, such as sampling-based planning, are often computationally expensive and lack formal safety guarantees, which limits their use for real-time whole-body avoidance. This paper presents a closed-form Control Lyapunov Function--Control Barrier Function (CLF--CBF) controller for real-time 3D obstacle avoidance in soft continuum manipulators without online optimization. By analytically embedding safety constraints into the control input, the proposed method ensures stability and safety under the stated modeling assumptions, while avoiding feasibility issues commonly encountered in online optimization-based methods. The resulting controller is up to $10\times$ faster than standard CLF--CBF quadratic-programming approaches and up to $100\times$ faster than traditional sampling-based planners. Simulation and hardware experiments on a tendon-driven soft manipulator demonstrate accurate 3D trajectory tracking and robust obstacle avoidance in cluttered environments. These results show that the proposed framework provides a scalable and provably safe control strategy for soft robots operating in dynamic, safety-critical settings.
• Abstract（参考訳）: 安全な操作は、人間中心の3D環境にロボットを配置するのに不可欠である。 ソフト連続マニピュレータは機械的コンプライアンスを通じて受動的安全を提供するが、信頼性の高い衝突回避を実現するためにはアクティブな制御が必要である。 サンプリングベースの計画のような既存のアプローチは、しばしば計算コストが高く、正式な安全保証がないため、リアルタイム全体の回避のためにの使用を制限する。 本稿では,オンライン最適化のないソフトコンティニュムマニピュレータにおけるリアルタイム3次元障害物回避のための閉形式制御Lyapunov関数-Control Barrier関数(CLF-CBF)について述べる。 制御入力に安全制約を解析的に埋め込むことにより,提案手法は,オンライン最適化手法で一般的に発生する実現可能性の問題を回避するとともに,記述されたモデリング前提の下での安定性と安全性を確保する。 コントローラは標準のCLF-CBF2次プログラミングのアプローチよりも最大10\times$で、従来のサンプリングベースのプランナーより最大100\times$速い。 腱駆動型ソフトマニピュレータのシミュレーションとハードウェア実験により, 粗い環境下での高精度な3次元軌道追跡と頑健な障害物回避が実証された。 これらの結果から,提案するフレームワークは,動的で安全クリティカルな環境で動作しているソフトロボットに対して,スケーラブルで確実に安全な制御戦略を提供する。

関連論文リスト

• Safety-Guaranteed Imitation Learning from Nonlinear Model Predictive Control for Spacecraft Close Proximity Operations [39.146761527401424]
  本稿では,宇宙船近接制御のための安全保証型,実行時効率の模倣学習フレームワークを提案する。 安全証明書にはCBF(Control Barrier Functions)、安定性にはCLF(Control Lyapunov Functions)を活用しています。 実行時分析では、市販のオフザシェルフプロセッサでリアルタイムに実現可能であることを示し、安全クリティカルな軌道上サービスのためのオンボードデプロイメントをサポートする。
  論文  参考訳（メタデータ） (2026-03-19T13:47:18Z)
• 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)
• Soft Actor-Critic-based Control Barrier Adaptation for Robust Autonomous Navigation in Unknown Environments [4.788163807490197]
  制御バリア関数(CBF)の制約パラメータを実行時に適用するためのソフトアクタ・クリティカル(SAC)ベースのポリシーを提案する。 我々は,本フレームワークがCBF制約を効果的に適用し,ロボットが安全性を損なうことなく最終目標に達することを実証した。
  論文  参考訳（メタデータ） (2025-03-11T14:33:55Z)
• Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
  本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。 このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
  論文  参考訳（メタデータ） (2024-10-03T17:50:19Z)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• 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)
• 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)

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。