論文の概要: Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
- arxiv url: http://arxiv.org/abs/2604.02821v1
- Date: Fri, 03 Apr 2026 07:40:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-06 17:20:24.378004
- Title: Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
- Title（参考訳）: 学習型オールペア運動計画における安全性と安定性を保証したゴールコンディション型ニューラルネットワーク
- Authors: Dechuan Liu, Ruigang Wang, Ian R. Manchester,
- Abstract要約: 目的条件付きスムーズなニューラル常微分方程式(ニューラルODE)をバイリプシッツ微分同相法により構築する。
提案手法では,バイリプシッツニューラルネットワークを用いた抽出可能な学習実装を認め,実演データを組み込むことができる。
- 参考スコア（独自算出の注目度）: 6.099164699589391
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a learning-based approach for all-pairs motion planning, where the initial and goal states are allowed to be arbitrary points in a safe set. We construct smooth goal-conditioned neural ordinary differential equations (neural ODEs) via bi-Lipschitz diffeomorphisms. Theoretical results show that the proposed model can provide guarantees of global exponential stability and safety (safe set forward invariance) regardless of goal location. Moreover, explicit bounds on convergence rate, tracking error, and vector field magnitude are established. Our approach admits a tractable learning implementation using bi-Lipschitz neural networks and can incorporate demonstration data. We illustrate the effectiveness of the proposed method on a 2D corridor navigation task.
- Abstract（参考訳）: 本稿では,初期状態と目標状態が安全なセットの任意の点となることを許容する,全対運動計画のための学習に基づくアプローチを提案する。
目的条件付きスムーズなニューラル常微分方程式(ニューラルODE)をバイリプシッツ微分同相法により構築する。
理論的な結果は,提案モデルが目標位置に関わらず,大域的指数的安定性と安全性を保証できることを示唆している。
さらに、収束率、追跡誤差、ベクトル場の等級に関する明示的な境界を確立する。
提案手法では,バイリプシッツニューラルネットワークを用いた抽出可能な学習実装を認め,実演データを組み込むことができる。
提案手法の2次元航法ナビゲーションにおける有効性について述べる。
関連論文リスト
- Contingency-Aware Planning via Certified Neural Hamilton-Jacobi Reachability [0.0]
Hamilton-Jacobi (HJ) 到達性は力学系に対して正式な安全保証を提供する。
本稿では,学習型リーチビリティとサンプリング型プランニングを統合した同時対応マルチゴールナビゲーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-17T18:04:20Z) - IoUCert: Robustness Verification for Anchor-based Object Detectors [58.35703549470485]
IoUCertは、アンカーベースのオブジェクト検出アーキテクチャにおいて、これらのボトルネックを克服するために設計された、新しい形式的検証フレームワークである。
本手法は, SSD, YOLOv2, YOLOv3など, 現実的なアンカーベースモデルの各種入力摂動に対するロバスト性検証を可能にする。
論文 参考訳（メタデータ） (2026-03-03T14:36:46Z) - Alternating Bi-Objective Optimization for Explainable Neuro-Fuzzy Systems [2.761009930426063]
ファジィ客観的システムは、ルールベースのアーキテクチャ言語変数により、説明可能なAIに強い可能性を示す。
X-ANFISは競争精度を維持しながら、MOO以外のソリューションを回復する。
論文 参考訳（メタデータ） (2026-02-22T16:08:06Z) - Toward Stable Semi-Supervised Remote Sensing Segmentation via Co-Guidance and Co-Fusion [31.189038928192648]
Co2Sは半教師付きRSセグメンテーションフレームワークで、ビジョン言語モデルと自己教師型モデルとを融合する。
テキスト埋め込みと学習可能なクエリを利用した,明示的でシンプルなセマンティックコガイダンス機構が導入された。
6つの一般的なデータセットに対する実験は,提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2025-12-28T18:24:19Z) - Discrete Diffusion for Reflective Vision-Language-Action Models in Autonomous Driving [55.13109926181247]
離散拡散による安全な軌道生成のためのリフレクション機構を統合した学習ベースのフレームワークであるReflectDriveを紹介する。
我々のアプローチの中心は、勾配のない反復的な自己補正を行う、安全を意識した反射機構である。
本手法は目標条件付き軌道生成から始まり,マルチモーダル運転動作をモデル化する。
論文 参考訳（メタデータ） (2025-09-24T13:35:15Z) - Certified Neural Approximations of Nonlinear Dynamics [51.01318247729693]
安全クリティカルな文脈では、神経近似の使用は、基礎となるシステムとの密接性に公式な境界を必要とする。
本稿では,認証された一階述語モデルに基づく新しい,適応的で並列化可能な検証手法を提案する。
論文 参考訳（メタデータ） (2025-05-21T13:22:20Z) - Probabilistic Reach-Avoid for Bayesian Neural Networks [71.67052234622781]
最適合成アルゴリズムは、証明された状態の数を4倍以上に増やすことができることを示す。
このアルゴリズムは、平均的な到達回避確率を3倍以上に向上させることができる。
論文 参考訳（メタデータ） (2023-10-03T10:52:21Z) - Supervised Dictionary Learning with Auxiliary Covariates [0.0]
Supervised Dictionary Learning (SDL) は、特徴抽出と分類タスクを同時に求める機械学習手法である。
結合因子空間における凸問題としてSDLを持ち上げる新しいフレームワークを提供する。
また, 胸部X線画像から得られた肺炎の指標として, 教師付きトピックモデリングによる文書分類の不均衡にSDLを適用した。
論文 参考訳（メタデータ） (2022-06-14T12:10:03Z)
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。