論文の概要: FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance

• arxiv url: http://arxiv.org/abs/2604.04409v1
• Date: Mon, 06 Apr 2026 04:21:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-07 15:49:19.088452
• Title: FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance
• Title（参考訳）: FORMULA:安全保証のためのネウラルバリア学習を用いたフォルメーションMPC
• Authors: Qintong Xie, Weishu Zhan, Peter Chin,
• Abstract要約: FORMULAは安全な分散学習型予測制御フレームワークである。 安定性のためのコントロールLyapunov関数と、分散安全性のためのニューラルネットワークベースのCBFを統合している。 FORMULAは、複雑な環境下でのマルチロボットチームに対して、スケーラブルで、安全に配慮した、構成保存ナビゲーションを可能にする。
• 参考スコア（独自算出の注目度）: 4.374354534474969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-robot systems (MRS) are essential for large-scale applications such as disaster response, material transport, and warehouse logistics, yet ensuring robust, safety-aware formation control in cluttered and dynamic environments remains a major challenge. Existing model predictive control (MPC) approaches suffer from limitations in scalability and provable safety, while control barrier functions (CBFs), though principled for safety enforcement, are difficult to handcraft for large-scale nonlinear systems. This paper presents FORMULA, a safe distributed, learning-enhanced predictive control framework that integrates MPC with Control Lyapunov Functions (CLFs) for stability and neural network-based CBFs for decentralized safety, eliminating manual safety constraint design. This scheme maintains formation integrity during obstacle avoidance, resolves deadlocks in dense configurations, and reduces online computational load. Simulation results demonstrate that FORMULA enables scalable, safety-aware, formation-preserving navigation for multi-robot teams in complex environments.
• Abstract（参考訳）: マルチロボットシステム(MRS)は災害応答,物質輸送,倉庫のロジスティクスといった大規模アプリケーションには不可欠である。 既存のモデル予測制御(MPC)アプローチは、拡張性と証明可能な安全性の限界に悩まされているが、制御バリア関数(CBF)は、安全を原則とするが、大規模非線形システムでは手作業が難しい。 本稿では,MPCを制御リアプノフ関数(CLF)と統合した安全な分散学習型予測制御フレームワーク FORMULA について述べる。 このスキームは、障害物回避時の構成整合性を維持し、密な構成でデッドロックを解消し、オンライン計算負荷を低減する。 FORMULAは、複雑な環境下でのマルチロボットチームに対して、スケーラブルで、安全に配慮した、構成保存ナビゲーションを可能にする。

関連論文リスト

• Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems [40.270309876786776]
  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。
  論文  参考訳（メタデータ） (2026-03-31T10:38:22Z)
• 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)
• 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)
• 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)
• Neural Configuration-Space Barriers for Manipulation Planning and Control [14.758869638207251]
  乱雑な動的環境下での高次元ロボットマニピュレータの計画と制御は、計算効率と堅牢な安全保証の両方を必要とする。 安全制約をCDFバリアとして定式化する動き計画と制御の統一フレームワークを提案する。 CDFバリアは局所的な自由構成空間を近似し、モーションプランニング中の衝突チェック操作の数を著しく削減する。
  論文  参考訳（メタデータ） (2025-03-06T20:00:56Z)
• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
  本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。 本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T20:49:25Z)
• 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)
• 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)

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。