論文の概要: MPC as a Copilot: A Predictive Filter Framework with Safety and Stability Guarantees

• arxiv url: http://arxiv.org/abs/2603.27893v1
• Date: Sun, 29 Mar 2026 22:17:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 23:18:45.162117
• Title: MPC as a Copilot: A Predictive Filter Framework with Safety and Stability Guarantees
• Title（参考訳）: MPC as a Copilot: 安全性と安定性を保証した予測フィルタフレームワーク
• Authors: Yunda Yan, Chenxi Tao, Jinya Su, Cunjia Liu, Shihua Li,
• Abstract要約: 本稿では,単一アーキテクチャにおける制約満足度と安定性を保証する統一型予測フィルタフレームワークである予測安全安定フィルタ(PS2F)を紹介する。 PS2Fフレームワークは、2つのカスケードされた最適制御問題から成り、コピロットとしてのみ機能する名目モデル予測制御(MPC)層と、確実に安全で安定した領域に留まるように外部コマンドを調整する二次フィルタリング層とから構成される。
• 参考スコア（独自算出の注目度）: 6.019901994880397
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Ensuring both safety and stability remains a fundamental challenge in learning-based control, where goal-oriented policies often neglect system constraints and closed-loop state convergence. To address this limitation, this paper introduces the Predictive Safety--Stability Filter (PS2F), a unified predictive filter framework that guarantees constraint satisfaction and asymptotic stability within a single architecture. The PS2F framework comprises two cascaded optimal control problems: a nominal model predictive control (MPC) layer that serves solely as a copilot, implicitly defining a Lyapunov function and generating safety- and stability-certified predicted trajectories, and a secondary filtering layer that adjusts external command to remain within a provably safe and stable region. This cascaded structure enables PS2F to inherit the theoretical guarantees of nominal MPC while accommodating goal-oriented external commands. Rigorous analysis establishes recursive feasibility and asymptotic stability of the closed-loop system without introducing additional conservatism beyond that associated with the nominal MPC. Furthermore, a time-varying parameterisation allows PS2F to transition smoothly between safety-prioritised and stability-oriented operation modes, providing a principled mechanism for balancing exploration and exploitation. The effectiveness of the proposed framework is demonstrated through comparative numerical experiments.
• Abstract（参考訳）: 安全性と安定性の両立は、目標指向のポリシーがシステムの制約や閉ループ状態の収束を無視することが多い、学習ベースの制御において、依然として基本的な課題である。 この制限に対処するために,単一アーキテクチャにおける制約満足度と漸近安定性を保証する統一的な予測フィルタフレームワークである予測安全安定フィルタ(PS2F)を提案する。 このPS2Fフレームワークは、2つのカスケード化された最適制御問題からなる:コピロのみを果たす名目モデル予測制御(MPC)層、ラプノフ関数を暗黙的に定義し、安全性及び安定性が証明された予測軌道を生成すること、および証明可能な安全かつ安定な領域に留まるように外部コマンドを調整する二次フィルタリング層。 このカスケード構造により、PS2Fはゴール指向外部コマンドを調整しながら、名目MPCの理論的保証を継承できる。 厳密な解析は、名目MPCに付随するさらなる保守性を導入することなく、閉ループ系の再帰的実現性と漸近安定性を確立する。 さらに、時間変化によるパラメータ化により、PS2Fは安全優先の操作モードと安定性指向の操作モードをスムーズに移行することができ、探索と利用のバランスをとるための原則的なメカニズムを提供する。 提案手法の有効性は, 比較数値実験により検証した。

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)
• How to Train Your Latent Control Barrier Function: Smooth Safety Filtering Under Hard-to-Model Constraints [21.03977709777739]
  本研究では,可到達性値関数を制御障壁関数(CBF)に適応させることにより,最適化に基づくスムーズなフィルタリングを実現する。 本稿では,ラベル付けを伴わずにスムーズなマージン関数に繋がる勾配のペナルティによって,両方の課題に対処するLatentCBFを提案する。 視覚に基づく操作ポリシーによるシミュレーションベンチマークとハードウェアの実験は、LatentCBFがスムーズな安全フィルタリングを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-11-23T20:15:28Z)
• Rectified Robust Policy Optimization for Model-Uncertain Constrained Reinforcement Learning without Strong Duality [53.525547349715595]
  我々はRectified Robust Policy Optimization (RRPO) と呼ばれる新しいプライマリのみのアルゴリズムを提案する。 RRPOは双対の定式化に頼ることなく、主問題に直接作用する。 我々は、最もよく知られた下界と一致する複雑性を持つ、ほぼ最適な実現可能なポリシーに収束することを示す。
  論文  参考訳（メタデータ） (2025-08-24T16:59:38Z)
• 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)
• 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)
• Robust Stability of Neural-Network Controlled Nonlinear Systems with Parametric Variability [2.0199917525888895]
  ニューラルネットワーク制御非線形システムの安定性と安定化性の理論を考案する。 このような頑健な安定化NNコントローラの計算には、安定性保証トレーニング(SGT)も提案されている。
  論文  参考訳（メタデータ） (2021-09-13T05:09:30Z)
• 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)
• Closing the Closed-Loop Distribution Shift in Safe Imitation Learning [80.05727171757454]
  模倣学習問題において,安全な最適化に基づく制御戦略を専門家として扱う。 我々は、実行時に安価に評価でき、専門家と同じ安全保証を確実に満足する学習されたポリシーを訓練する。
  論文  参考訳（メタデータ） (2021-02-18T05:11:41Z)

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。