論文の概要: Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems

• arxiv url: http://arxiv.org/abs/2603.29560v1
• Date: Tue, 31 Mar 2026 10:38:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.558835
• Title: Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems
• Title（参考訳）: 分散予測制御バリア関数:モジュール型マルチエージェントシステムにおけるスケーラブルな安全性証明を目指して
• Authors: Jonas Ohnemus, Alexandre Didier, Ahmed Aboudonia, Andrea Carron, Melanie N. Zeilinger,
• Abstract要約: マルチエージェント安全フレームワークとして構造化制御バリア関数(s-CBF)を導入する。 提案手法は、パーミッシブで形式的なプラグアンドプレイプロトコルを実現する。 ミニチュアレースカー小隊のシミュレーションおよび実時間実験による定式化の検証を行った。
• 参考スコア（独自算出の注目度）: 40.270309876786776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider safety-critical multi-agent systems with distributed control architectures and potentially varying network topologies. While learning-based distributed control enables scalability and high performance, a lack of formal safety guarantees in the face of unforeseen disturbances and unsafe network topology changes may lead to system failure. To address this challenge, we introduce structured control barrier functions (s-CBFs) as a multi-agent safety framework. The s-CBFs are augmented to a distributed predictive control barrier function (D-PCBF), a predictive, optimization-based safety layer that uses model predictions to guarantee recoverable safety at all times. The proposed approach enables a permissive yet formal plug-and-play protocol, allowing agents to join or leave the network while ensuring safety recovery if a change in network topology requires temporarily unsafe behavior. We validate the formulation through simulations and real-time experiments of a miniature race-car platoon.
• Abstract（参考訳）: 分散制御アーキテクチャと潜在的に異なるネットワークトポロジを備えた安全クリティカルなマルチエージェントシステムについて検討する。 学習ベースの分散制御はスケーラビリティと高性能を実現するが、予期せぬ障害や安全でないネットワークトポロジの変化に直面した際の正式な安全性保証の欠如は、システム障害につながる可能性がある。 この課題に対処するために,マルチエージェント安全フレームワークとして構造化制御バリア関数(s-CBF)を導入する。 s-CBFは分散予測制御バリア関数(D-PCBF)に拡張され、モデル予測を使用して常に回復可能な安全性を保証する予測最適化ベースの安全層である。 提案手法により,ネットワークトポロジの変更が一時的に安全でない動作を必要とする場合,エージェントがネットワークへの参加や離脱を保証し,ネットワークの安全性を確保することが可能となる。 ミニチュアレースカー小隊のシミュレーションおよび実時間実験による定式化の検証を行った。

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)
• A Safety-Constrained Reinforcement Learning Framework for Reliable Wireless Autonomy [1.5469452301122173]
  本稿では,実証搬送制御とエンパワーメント予算(EB)適用を統合した,積極的な安全制約付きRLフレームワークを提案する。 本手法は, 性能劣化を最小限に抑え, 証明可能な安全保証を実現する。 その結果,将来の6Gネットワークにおける信頼性の高い無線自律性を実現するために,プロアクティブな安全制約付きRLの可能性を浮き彫りにした。
  論文  参考訳（メタデータ） (2026-01-12T02:02:52Z)
• MAD-PINN: A Decentralized Physics-Informed Machine Learning Framework for Safe and Optimal Multi-Agent Control [13.531665564516155]
  大規模マルチエージェントシステムにおける安全性とパフォーマンスの最適化は、依然として根本的な課題である。 マルチエージェント状態制約最適制御問題を解くための分散機械学習フレームワークMAD-PINNを提案する。 マルチエージェントナビゲーションタスクの実験では、MAD-PINNは優れた安全性と性能のトレードオフを実現し、エージェントの数が増えるにつれてスケーラビリティを維持し、常に最先端のベースラインを上回っている。
  論文  参考訳（メタデータ） (2025-09-28T16:31:22Z)
• 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)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)

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。