論文の概要: Predicted-Flow Control Barrier Functions for Real-Time Safe Optimal Control

• arxiv url: http://arxiv.org/abs/2606.00297v1
• Date: Fri, 29 May 2026 19:27:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 15:49:56.212323
• Title: Predicted-Flow Control Barrier Functions for Real-Time Safe Optimal Control
• Title（参考訳）: リアルタイム最適制御のための予測フロー制御バリア関数
• Authors: Amirsaeid Safari, Jesse B. Hoagg,
• Abstract要約: 制御障壁関数(CBF)は、状態のポイントワイズ条件を通じてリアルタイムの安全保証を提供する。 本稿では,予測フロー制御バリア関数(P-CBF)を紹介する。 安全のために、P-CBFは予測フローが予測水平線全体にわたって安全なセットにあることを証明できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Control barrier functions (CBFs) provide real-time safety guarantees through pointwise conditions on the state. However, synthesizing a valid CBF is difficult and the resulting controllers are myopic. To address myopia, this article introduces predicted-flow control barrier functions (P-CBFs), which generalize the CBF from a function of the current state to a functional of a predicted flow under a parametrized control plan over a finite prediction horizon. For safety, a P-CBF can certify that the predicted flow is in a safe set over the entire prediction horizon. However, candidate P-CBFs suffer from the same challenge as candidate CBFs, namely, control constraints make it difficult to guarantee that the P-CBF is valid. This article resolves this challenge by introducing a terminal candidate P-CBF requiring that the predicted flow end in a backup safe set at the terminal time, and a planning-time shift that modulates the prediction horizon, providing an additional degree of freedom to ensure feasibility. The real-time control and the evolution of the control-plan parameter and planning-time shift are determined jointly by a single convex optimization that is guaranteed to be feasible and renders the associated safe set forward invariant. The resulting safe optimal flow control provides a safety certificate over the entire prediction horizon and unifies finite-horizon integral-cost optimization with safety certification. This optimization reduces to a quadratic program (QP) if the control constraints are a convex polytope. The QP implementation, termed FlowBarrier, is validated on a nonholonomic ground robot navigating a dense environment. FlowBarrier is compared to nonlinear model predictive control and two CBF-based safety filter methods across 100 trials, where FlowBarrier achieves the highest goal-reaching rate, zero safety violations, and the lowest computation time.
• Abstract（参考訳）: 制御障壁関数(CBF)は、状態のポイントワイズ条件を通じてリアルタイムの安全保証を提供する。 しかし、有効なCBFの合成は困難であり、結果として得られるコントローラはミオピックである。 本稿では, 予測フロー制御障壁関数(P-CBF)を導入し, CBFを現在の状態の関数から, 有限の予測水平線上でのパラメータ化された制御計画の下での予測フローの関数に一般化する。 安全のために、P-CBFは予測フローが予測水平線全体にわたって安全なセットにあることを証明できる。 しかしながら、P-CBF候補はCBF候補と同じ課題に苦しむ、すなわち、制御制約により、P-CBFが有効であることを保証することは困難である。 本稿では、端末時間に設定されたバックアップセーフセットにおける予測フローの終了を要求された端末候補P-CBFと、予測の地平線を変調する計画時間シフトと、実現可能性を確保するための追加の自由度を提供することで、この課題を解決する。 リアルタイム制御と制御計画パラメータの進化と計画時間シフトは、単一の凸最適化によって共同で決定される。 結果として得られる安全な最適フロー制御は、予測地平線全体に対する安全証明書を提供し、有限水平積分コスト最適化と安全性証明を統一する。 この最適化は、制御制約が凸ポリトープであれば二次プログラム(QP)に還元される。 QPの実装はFlowBarrierと呼ばれ、高密度環境をナビゲートする非ホロノミックグラウンドロボット上で検証されている。 FlowBarrierは100回の試験で非線形モデル予測制御とCBFベースの2つの安全フィルタ手法と比較される。

関連論文リスト

• Maximal Controlled Invariant-MPC: Enhancing Feasibility and Reducing Conservatism through Terminal CBF Constraint in Safety-Critical Control [0.8594140167290097]
  制御バリア関数(CBF)を終端制約として用いたモデル予測制御(MPC)の定式化を提案する。 MPCは、予測の地平線を増大させ、実現可能性と到達性を向上させることが証明されている。 到達可能な状態空間の増加は、制御バリア関数の内側にある軌跡を追跡するシステムの能力によって実証された。
  論文  参考訳（メタデータ） (2026-05-07T01:42:11Z)
• 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)
• 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)
• 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)
• Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety [7.921648699199647]
  ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリック手法を提案する。 GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。 固定的かつ任意の安全な集合に対する安全な制御を実証することにより、クワッド上で実験により検証する。
  論文  参考訳（メタデータ） (2022-03-29T12:21:28Z)
• 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)
• Reinforcement Learning for Safety-Critical Control under Model Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
  強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。 RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
  論文  参考訳（メタデータ） (2020-04-16T10:51:33Z)
• 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。