論文の概要: Efficient Verification of Neural Control Barrier Functions with Smooth Nonlinear Activations
- arxiv url: http://arxiv.org/abs/2605.07757v1
- Date: Fri, 08 May 2026 13:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-11 19:43:39.091746
- Title: Efficient Verification of Neural Control Barrier Functions with Smooth Nonlinear Activations
- Title（参考訳）: 滑らかな非線形活性化を伴うニューラルコントロールバリア関数の有効検証
- Authors: Jun Zhang, Haibo Zhang, Chun Liu, Xiaofan Wang, Liang Xu,
- Abstract要約: 本稿では,アクティベーション関数の解析特性を利用して,より厳密なジャコビアン境界を計算するLightCROWNを提案する。
非線形制御系の実験では、LightCROWNは成功率を最大100%改善し、速度とスケーラビリティを向上する。
- 参考スコア（独自算出の注目度）: 11.170776418209117
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Formal verification of neural control barrier functions (NCBFs) remains challenging, especially for neural networks with nonlinear activations like \(\tanh\). Existing CROWN-based methods rely on conservative linear relaxations for Jacobian bounds, limiting scalability. We propose LightCROWN, which computes tighter Jacobian bounds by exploiting the analytical properties of activation functions. Experiments on nonlinear control systems including the inverted pendulum, Dubins car, and planar quadrotor demonstrate that LightCROWN improves verification success rates up to 100\%, while enhancing speed and scalability. Our approach provides a generalizable improvement for CROWN-based frameworks, enabling more efficient verification of complex NCBFs. The code can be found at github.com/Autonomous-Systems-and-Control-Lab/verify-neural-CBF.
- Abstract（参考訳）: ニューラルコントロールバリア関数(NCBF)の形式的検証は、特に \(\tanh\) のような非線形アクティベーションを持つニューラルネットワークでは、依然として困難である。
既存の CROWN ベースの手法は、ジャコビアン境界に対する保守的な線形緩和に依存し、拡張性を制限している。
本稿では,アクティベーション関数の解析特性を利用して,より厳密なジャコビアン境界を計算するLightCROWNを提案する。
Inverted pendulum, Dubins car, Planar quadrotorなどの非線形制御系の実験では、LightCROWNは速度とスケーラビリティを向上しつつ、検証成功率を最大100倍に向上することを示した。
我々の手法はCROWNベースのフレームワークに対して一般化可能な改善を提供し、複雑なNCBFのより効率的な検証を可能にする。
コードはgithub.com/Autonomous-Systems-and-Control-Lab/verify-neural-CBFで見ることができる。
関連論文リスト
- Scalable Verification of Neural Control Barrier Functions Using Linear Bound Propagation [50.53301323864253]
制御バリア関数 (CBF) は非線形動的制御システムの安全性を保証するための一般的なツールである。
本稿では,ニューラルネットワークがCBFとなるために必要な条件に対して,一方向に線形な上界と下界に基づいて,ニューラルCBFを検証するための新しい枠組みを提案する。
我々のアプローチは、CBFの最先端の検証手順よりも大きなニューラルネットワークにスケールする。
論文 参考訳（メタデータ） (2025-11-09T11:51:15Z) - Verification of Neural Control Barrier Functions with Symbolic Derivative Bounds Propagation [6.987300771372427]
本稿では,ReLUに基づくニューラルCBFの有効検証フレームワークを提案する。
シンボル境界は、ニューラルCBFヤコビアンおよび非線形系力学の内積によって伝播可能であることを示す。
論文 参考訳（メタデータ） (2024-10-04T21:42:25Z) - Data-Driven Stochastic Optimal Control in Reproducing Kernel Hilbert Spaces [4.722936792899906]
本稿では拡散に代表される非線形制御-アフィン系の最適制御のための完全データ駆動方式を提案する。
非線形力学とステージコスト関数の両方が未知であり、制御ペナルティ関数と制約のみを提供するシナリオに焦点が当てられている。
数値計算の結果,自律型水中車両の深度制御など,多様な非線形制御タスクに対処できることが示されている。
論文 参考訳（メタデータ） (2024-07-23T11:53:03Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳（メタデータ） (2023-09-06T05:35:48Z) - Globally Optimal Training of Neural Networks with Threshold Activation
Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。
ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文 参考訳（メタデータ） (2023-03-06T18:59:13Z) - Interval Reachability of Nonlinear Dynamical Systems with Neural Network
Controllers [5.543220407902113]
本稿では、ニューラルネットワークコントローラを用いた非線形連続時間力学系の厳密な検証のための区間解析に基づく計算効率の良いフレームワークを提案する。
混合単調理論に着想を得て,ニューラルネットワークの包摂関数と開ループシステムの分解関数を用いて,閉ループ力学をより大きなシステムに組み込む。
埋め込みシステムの単一軌跡を用いて、到達可能な集合の超矩形超近似を効率的に計算できることが示される。
論文 参考訳（メタデータ） (2023-01-19T06:46:36Z) - Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。
まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。
次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
論文 参考訳（メタデータ） (2021-11-18T23:21:00Z) - Learning the Linear Quadratic Regulator from Nonlinear Observations [135.66883119468707]
我々は、LQR with Rich Observations(RichLQR)と呼ばれる連続制御のための新しい問題設定を導入する。
本設定では, 線形力学と二次的コストを有する低次元連続潜伏状態によって環境を要約する。
本結果は,システムモデルと一般関数近似における未知の非線形性を持つ連続制御のための,最初の証明可能なサンプル複雑性保証である。
論文 参考訳（メタデータ） (2020-10-08T07:02:47Z) - 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。