論文の概要: Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles

• arxiv url: http://arxiv.org/abs/2603.24598v1
• Date: Fri, 13 Mar 2026 02:38:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-06 02:36:13.033819
• Title: Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles
• Title（参考訳）: 車両への適用を考慮した応答型リスク制約制御バリア機能
• Authors: Qijun Liao, Jue Yang,
• Abstract要約: 本稿では,車両の動的安全境界制御のための応答認識型リスク制約制御バリア関数に基づく統合制御フレームワークを提案する。 このフレームワークは、制御勾配の基準方向を提供するために、名目力学と直接車体応答を融合する。 また、従来の決定論的安全制約をバリア関数誘導体のテールリスクに関する確率論的制約に再構成する。
• 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: This paper proposes a unified control framework based on Response-Aware Risk-Constrained Control Barrier Function for dynamic safety boundary control of vehicles. Addressing the problem of physical model parameter mismatch, the framework constructs an uncertainty propagation model that fuses nominal dynamics priors with direct vehicle body responses. Utilizing simplified single-track dynamics to provide a baseline direction for control gradients and covering model deviations through statistical analysis of body response signals, the framework eliminates the dependence on accurate online estimation of road surface adhesion coefficients. By introducing Conditional Value at Risk (CVaR) theory, the framework reformulates traditional deterministic safety constraints into probabilistic constraints on the tail risk of barrier function derivatives. Combined with a Bayesian online learning mechanism based on inverse Wishart priors, it identifies environmental noise covariance in real-time, adaptively tuning safety margins to reduce performance loss under prior parameter mismatch. Finally, based on Control Lyapunov Function (CLF), a unified Second-Order Cone Programming (SOCP) controller is constructed. Theoretical analysis establishes convergence of Sequential Convex Programming to local Karush-Kuhn-Tucker points and provides per-step probabilistic safety bounds. High-fidelity dynamics simulations demonstrate that under extreme conditions, the method not only eliminates the output divergence phenomenon of traditional methods but also achieves Pareto improvement in both safety and tracking performance. For the chosen risk level, the per-step safety violation probability is theoretically bounded by approximately 2%, validated through high-fidelity simulations showing zero boundary violations across all tested scenarios.
• Abstract（参考訳）: 本稿では,車両の動的安全境界制御のための応答認識型リスク制約制御バリア関数に基づく統合制御フレームワークを提案する。 物理モデルパラメータのミスマッチの問題に対処するため、このフレームワークは、名目力学を車両の直接応答と融合させる不確実性伝播モデルを構築している。 簡易な単線動特性を利用して、車体応答信号の統計的解析により勾配の制御とモデル偏差をカバーし、道路表面の付着係数の正確なオンライン推定への依存を解消する。 CVaR理論を導入することにより、この枠組みは従来の決定論的安全制約をバリア関数デリバティブのテールリスクに関する確率的制約に再構成する。 逆ウィッシュアート事前に基づくベイズ的オンライン学習機構と組み合わせて、環境騒音の共分散をリアルタイムに識別し、安全マージンを適応的に調整し、事前パラメータミスマッチによる性能損失を低減する。 最後に、制御リアプノフ関数(CLF)に基づいて、SOCP(Second-Order Cone Programming)コントローラを構築する。 理論解析は、逐次凸計画の局所カルーシュ=クーン=タッカー点への収束を確立し、ステップごとの確率的安全性境界を提供する。 高忠実度ダイナミクスシミュレーションは、極端な条件下では、従来の手法の出力分散現象を除去するだけでなく、安全性とトラッキング性能の両方においてパレートの改善も達成することを示した。 選択されたリスクレベルでは、ステップごとの安全違反確率は理論的に約2%制限され、すべてのテストシナリオで境界違反がゼロであることを示す高忠実度シミュレーションによって検証される。

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)
• 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)
• Convex Chance-Constrained Stochastic Control under Uncertain Specifications with Application to Learning-Based Hybrid Powertrain Control [1.9116784879310027]
  本稿では,制御仕様の不確かさを考慮に入れた厳密な凸型確率制約制御フレームワークを提案する。 提案手法は,厳密な凸性を確保しつつ,確率的制約満足度を保証し,最適解の特異性と連続性をもたらす。 ハイブリッドパワートレインシステムに適用したモデル予測制御により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2026-01-26T09:49:33Z)
• Neural Process-Based Reactive Controller for Autonomous Racing [0.0]
  本稿では,Attentive Neural Process (AttNP) と物理インフォームド拡張 (PI-AttNP) を用いたギャップベースのナビゲーションのための新しいリアクティブ制御フレームワークを提案する。 衝突回避制約を解析的に強制する制御障壁関数(CBF)に基づくフィルタリング機構を導出し実装する。
  論文  参考訳（メタデータ） (2026-01-17T19:16:46Z)
• QP-Based Control of an Underactuated Aerial Manipulator under Constraints [1.5984927623688912]
  本稿では,未作動航空機マニピュレータの制約対応制御フレームワークを提案する。 安全と実現可能性の制約を明確に考慮しながら、正確なエンドエフェクタ軌道追跡を可能にする。
  論文  参考訳（メタデータ） (2026-01-13T13:05:36Z)
• Global stability of vehicle-with-driver dynamics via Sum-of-Squares programming [0.0]
  この研究は、7状態の車両とドライバーシステムのために、アトラクション地域(ROA)のサブセットで安全を見積もる。 セーフセットは、元の反復的な Sum-of-Squares (SOS) 手順によって、リアプノフ関数を最適化することで計算される。
  論文  参考訳（メタデータ） (2025-12-05T15:27:52Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• 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)
• Gaussian Process-based Min-norm Stabilizing Controller for Control-Affine Systems with Uncertain Input Effects and Dynamics [90.81186513537777]
  本稿では,この問題の制御・アフィン特性を捉えた新しい化合物カーネルを提案する。 この結果の最適化問題は凸であることを示し、ガウス過程に基づく制御リャプノフ関数第二次コーンプログラム(GP-CLF-SOCP)と呼ぶ。
  論文  参考訳（メタデータ） (2020-11-14T01:27:32Z)
• 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。