論文の概要: SafeDMPs: Integrating Formal Safety with DMPs for Adaptive HRI
- arxiv url: http://arxiv.org/abs/2603.29708v1
- Date: Tue, 31 Mar 2026 13:09:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-01 15:25:03.672917
- Title: SafeDMPs: Integrating Formal Safety with DMPs for Adaptive HRI
- Title（参考訳）: SafeDMPs:Adaptive HRIのための形式安全とDMPの統合
- Authors: Soumyodipta Nath, Pranav Tiwari, Ravi Prakash,
- Abstract要約: 本稿では,ロバストな非最適化動作制御のためのフレームワークであるSafeDMPを紹介する。
SafeDMPsは最適化ベースラインよりも桁違いに高速で精度が高いことを示す。
これはリアルタイムで安全で協調的なロボティクスにとって理想的なソリューションだ。
- 参考スコア（独自算出の注目度）: 0.764671395172401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robots operating in human-centric environments must be both robust to disturbances and provably safe from collisions. Achieving these properties simultaneously and efficiently remains a central challenge. While Dynamic Movement Primitives (DMPs) offer inherent stability and generalization from single demonstrations, they lack formal safety guarantees. Conversely, formal methods like Control Barrier Functions (CBFs) provide provable safety but often rely on computationally expensive, real-time optimization, hindering their use in high-frequency control. This paper introduces SafeDMPs, a novel framework that resolves this trade-off. We integrate the closed-form efficiency and dynamic robustness of DMPs with a provably safe, non-optimization-based control law derived from Spatio-Temporal Tubes (STTs). This synergy allows us to generate motions that are not only robust to perturbations and adaptable to new goals, but also guaranteed to avoid static and dynamic obstacles. Our approach achieves a closed-form solution for a problem that traditionally requires online optimization. Experimental results on a 7-DOF robot manipulator demonstrate that SafeDMPs is orders of magnitude faster and more accurate than optimization-based baselines, making it an ideal solution for real-time, safe, and collaborative robotics.
- Abstract（参考訳）: 人間中心の環境で動くロボットは、障害に対して堅牢で、衝突から確実に安全でなければならない。
これらの特性を同時に効率的に達成することは、依然として中心的な課題である。
Dynamic Movement Primitives (DMPs) は単一のデモンストレーションから固有の安定性と一般化を提供するが、正式な安全保証は欠如している。
逆に、制御バリア関数(CBF)のような形式的手法は、証明可能な安全性を提供するが、しばしば計算コストが高く、リアルタイムな最適化に依存し、高周波制御での使用を妨げる。
本稿では,このトレードオフを解決する新しいフレームワークであるSafeDMPを紹介する。
我々は,DMPの閉形式効率と動的ロバスト性と,時空間管(STT)から導かれる安全かつ非最適化に基づく制御則を統合する。
このシナジーにより、摂動に頑健で、新しい目標に適応できるだけでなく、静的でダイナミックな障害を避けることができる運動を生成することができる。
提案手法は従来,オンライン最適化を必要とする問題に対して,クローズドフォームのソリューションを実現する。
7-DOFロボットマニピュレータの実験結果によると、SafeDMPsは最適化ベースラインよりも桁違いに高速で精度が高い。
関連論文リスト
- Dynamic Control Barrier Function Regulation with Vision-Language Models for Safe, Adaptive, and Realtime Visual Navigation [5.268770735910558]
我々は、エゴセントリックなRGB入力を用いてCBF安全フィルタの保守性をリアルタイムで適応する視覚制御ナビゲーションフレームワークAlphaAdjを提案する。
その結果、AlphaAdjは衝突のないナビゲーションを維持しつつ、(パスの長さとゴールまでの時間の観点から)効率を最大18.5%改善していることがわかった。
論文 参考訳（メタデータ） (2026-03-22T09:35:18Z) - A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance [45.63674336069651]
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。
論文 参考訳（メタデータ） (2026-03-19T19:34:49Z) - 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) - SQ-CBF: Signed Distance Functions for Numerically Stable Superquadric-Based Safety Filtering [9.291918812545699]
制御バリア関数は、リアルタイムな安全フィルタリングのための効果的なフレームワークを提供する。
それらの性能は下層の幾何学的表現に依存し、しばしば単純化される。
スーパークワッドリックは、いくつかのプリミティブを使って複雑な形状をモデル化する表現力のある方法を提供する。
論文 参考訳（メタデータ） (2026-02-11T17:19:43Z) - UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - Rethinking Safety in LLM Fine-tuning: An Optimization Perspective [56.31306558218838]
我々は、本質的にトレードオフではなく、最適化の貧弱な選択が、しばしば安全上の問題を引き起こすことを示し、敵のプロンプトに対する有害な応答として測定する。
安全性能を保ったパラメータ空間における簡易指数移動平均(EMA)運動量法を提案する。
複数のデータセットにまたがるLlamaファミリーに関する実験は、安全性の問題が特別な介入なしに回避できることを実証している。
論文 参考訳（メタデータ） (2025-08-17T23:46:36Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - 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) - Meta-Learning Priors for Safe Bayesian Optimization [72.8349503901712]
メタ学習アルゴリズムであるF-PACOHを構築し,データ不足の設定において確実な定量化を実現する。
コアコントリビューションとして、安全に適合した事前をデータ駆動で選択するための新しいフレームワークを開発する。
ベンチマーク関数と高精度動作系において,我々のメタ学習先行が安全なBOアプローチの収束を加速することを示す。
論文 参考訳（メタデータ） (2022-10-03T08:38:38Z)
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。