論文の概要: Boundary Sampling to Learn Predictive Safety Filters via Pontryagin's Maximum Principle

• arxiv url: http://arxiv.org/abs/2604.13325v1
• Date: Tue, 14 Apr 2026 22:13:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.316095
• Title: Boundary Sampling to Learn Predictive Safety Filters via Pontryagin's Maximum Principle
• Title（参考訳）: 境界サンプリングによるポントリャーギンの最大原理による予測安全フィルタの学習
• Authors: James Dallas, Thomas Lew, John Talbot, Jonathan DeCastro, Somil Bansal, John Subosits,
• Abstract要約: 安全フィルタは、自律システムにおける安全制約を強制するための実践的なアプローチを提供する。 学習ベースのツールは高次元システムにスケールするが、そのパフォーマンスは制約違反につながる可能性のある状態を含む情報的データに依存する。 本研究では,ポントリャーギン原理を用いて,安全違反をほとんど回避しない軌道を特徴付ける。
• 参考スコア（独自算出の注目度）: 5.856990501507199
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Safety filters provide a practical approach for enforcing safety constraints in autonomous systems. While learning-based tools scale to high-dimensional systems, their performance depends on informative data that includes states likely to lead to constraint violation, which can be difficult to efficiently sample in complex, high-dimensional systems. In this work, we characterize trajectories that barely avoid safety violations using the Pontryagin Maximum Principle. These boundary trajectories are used to guide data collection for learned Hamilton-Jacobi Reachability, concentrating learning efforts near safety-critical states to improve efficiency. The learned Control Barrier Value Function is then used directly for safety filtering. Simulations and experimental validation on a shared-control automotive racing application demonstrate PMP sampling improves learning efficiency, yielding faster convergence, reduced failure rates, and improved safe set reconstruction, with wall times around 3ms.
• Abstract（参考訳）: 安全フィルタは、自律システムにおける安全制約を強制するための実践的なアプローチを提供する。 学習ベースのツールは高次元システムにスケールするが、その性能は制約違反につながる可能性のある状態を含む情報的データに依存する。 本研究では,ポントリャーギン最大原理を用いて,安全違反をほとんど回避しない軌道を特徴付ける。 これらの境界軌道は、学習されたハミルトン・ヤコビの到達可能性のためのデータ収集を導くために使用され、安全クリティカルな状態に近い学習活動に集中して効率を向上させる。 学習したコントロールバリアバリュー関数は、安全フィルタリングに直接使用される。 共有制御自動車レースアプリケーションのシミュレーションと実験による検証により,PMPサンプリングは学習効率を向上し,より早く収束し,故障率を低減し,壁面時間を3ms程度に改善した。

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)
• Efficiently Computable Safety Bounds for Gaussian Processes in Active Learning [6.217857116096573]
  多くの技術応用において、設計空間は連続的な軌跡を通して探索され、その上で安全性を評価する必要がある。 これはGP法における厳格な安全性要件に対して特に困難である。 本稿では,後GPの上限値の適応的なサンプル化中央値に基づいて,証明可能な安全性境界を提供することにより,これらの課題に対処する。
  論文  参考訳（メタデータ） (2024-02-28T11:47:15Z)
• CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems [7.77024796789203]
  CaRTは、学習ベースのモーションプランニングポリシーの安全性と堅牢性を保証するために、新しい階層的な分散アーキテクチャである。 定性障害や有界障害があっても,CaRTは軌道追跡誤差の安全性と指数関数性を保証する。 本稿では, 非線形動作計画と制御問題のいくつかの例において, CaRTの有効性を実証する。
  論文  参考訳（メタデータ） (2023-07-13T21:51:29Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Safe and Efficient Reinforcement Learning Using Disturbance-Observer-Based Control Barrier Functions [5.571154223075409]
  本稿では、外乱オブザーバ(DOB)と制御バリア機能(CBF)を用いた安全かつ効率的な強化学習(RL)手法を提案する。 本手法はモデル学習を伴わず,DOBを用いて不確実性のポイントワイド値を正確に推定し,安全行動を生成するための頑健なCBF条件に組み込む。 提案手法は,CBFとガウス過程に基づくモデル学習を用いて,最先端の安全なRLアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-30T18:49:53Z)
• 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)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Chance-Constrained Trajectory Optimization for Safe Exploration and Learning of Nonlinear Systems [81.7983463275447]
  学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。 本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2020-05-09T05:57:43Z)
• Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
  制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。 最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。 私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
  論文  参考訳（メタデータ） (2020-04-07T12:29:06Z)

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。