論文の概要: Stochastic Barrier Certificates in the Presence of Dynamic Obstacles
- arxiv url: http://arxiv.org/abs/2604.20208v1
- Date: Wed, 22 Apr 2026 05:49:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.979436
- Title: Stochastic Barrier Certificates in the Presence of Dynamic Obstacles
- Title（参考訳）: 動的障害物の存在下での確率的バリア証明書
- Authors: Rayan Mazouz, Luca Laurenti, Morteza Lahijanian,
- Abstract要約: 本稿では,バリア関数のレンズによる動的障害物のある環境における動的システムの安全性について検討する。
我々は,不確実性を考慮した離散時間連続空間システムに対して,タイムインおよび時変バリア証明書を導入する。
時間変化証明書は、常に厳密な保証を達成し、最先端の手法よりも精度とスケーラビリティが向上していることを示す。
- 参考スコア（独自算出の注目度）: 13.052212457121295
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Safety of stochastic dynamic systems in environments with dynamic obstacles is studied in this paper through the lens of stochastic barrier functions. We introduce both time-invariant and time-varying barrier certificates for discrete-time, continuous-space systems subject to uncertainty, which provide certified lower bounds on the probability of remaining within a safe set over a finite horizon. These certificates explicitly account for time-varying unsafe regions induced by obstacle dynamics. By leveraging Bellman's optimality perspective, the time-varying formulation directly captures temporal structure and yields less conservative bounds than state-of-the-art approaches. By restricting certificates to polynomial functions, we show that time-varying barrier synthesis can be formulated as a convex sum-of-squares program, enabling tractable optimization. Empirical evaluations on nonlinear systems with dynamic obstacles show that time-varying certificates consistently achieve tight guarantees, demonstrating improved accuracy and scalability over state-of-the-art methods.
- Abstract（参考訳）: 本研究では, 動的障害物を有する環境における確率的動的システムの安全性について, 確率的障壁関数のレンズを用いて検討した。
我々は,不確実性を考慮した離散時間連続空間システムに対して,時間不変かつ時間変化のバリア証明書を導入し,有限地平線上の安全なセットに留まる確率について,証明された低い境界を与える。
これらの証明書は、障害物力学によって引き起こされる時間変化の不安全領域を明示的に説明する。
ベルマンの最適性の観点から、時間変化の定式化は時間構造を直接キャプチャし、最先端のアプローチよりも保守的な境界を得られない。
証明を多項式関数に制限することにより、時間変化の障壁合成を凸和プログラムとして定式化し、トラクタブルな最適化を可能にすることを示す。
動的障害を持つ非線形システムの実験的評価は、時間変化証明書が常に厳密な保証を達成し、最先端の手法よりも精度とスケーラビリティが向上していることを示している。
関連論文リスト
- Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。
適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。
これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
論文 参考訳（メタデータ） (2026-03-07T08:01:20Z) - Safe and Robust Domains of Attraction for Discrete-Time Systems: A Set-Based Characterization and Certifiable Neural Network Estimation [6.2834380315226825]
頑健な不変集合 (RIS) を引き付ける非線形系の解析には、それらのアトラクション領域 (DOA) を推定する必要がある。
離散時間非線形不確実系に対する安全(状態制約付き)かつロバストなDOAの正確な推定のための新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-03T15:26:06Z) - 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) - Safe Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models [57.006252510102506]
強化学習(Reinforcement Learning, RL)は、最適な意思決定と制御のための強力なフレームワークである。
本稿では,未知および非線形連続力学系に対する安全性を低くした安全RLを実現するための新しい回復型遮蔽フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T22:03:35Z) - Formal Synthesis of Certifiably Robust Neural Lyapunov-Barrier Certificates [9.62123513414546]
システム力学における摂動下での保証を維持するために, インプロバスト型神経リプノフバリア証明書を合成する問題について検討する。
我々は,これらの条件を,敵対的トレーニング,リプシッツ地区境界,グローバルリプシッツ正規化を通じて実施する実践的な訓練目標を提案する。
本研究は, 動的摂動下での安全RLのための堅牢なニューラルネットワーク証明書のトレーニングの有効性を実証した。
論文 参考訳（メタデータ） (2026-02-05T05:08:01Z) - Position: AI Safety Must Embrace an Antifragile Perspective [8.304578789644124]
このポジションペーパーは、現代のAI研究は安全に対する反脆弱な視点を採用する必要があると主張している。
我々は、オープンエンドMLシステムの長期的な信頼性のために、アンチフランジのアプローチが重要であると論じる。
論文 参考訳（メタデータ） (2025-09-11T14:01:43Z) - Safely Learning Controlled Stochastic Dynamics [61.82896036131116]
システム力学の安全な探索と効率的な推定を可能にする手法を提案する。
学習後、学習モデルはシステムのダイナミクスの予測を可能にし、任意の制御の安全性検証を可能にする。
我々は、真の力学のソボレフ正則性を高めることにより、安全性と適応学習率の向上を理論的に保証する。
論文 参考訳（メタデータ） (2025-06-03T11:17:07Z) - 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) - Safety Certification for Stochastic Systems via Neural Barrier Functions [3.7491936479803054]
バリア関数は、非線形システムに対する非自明な安全性証明を提供するために使用できる。
ニューラルネットワークとしてバリア関数をパラメータ化することにより、ニューラルネットワークの堅牢なトレーニングを成功させてバリア関数を見つけることができることを示す。
提案手法は,いくつかのケーススタディにおいて既存の手法よりも優れており,桁違いに大きい安全証明書を返却することが多い。
論文 参考訳（メタデータ） (2022-06-03T09:06:02Z)
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。