論文の概要: Pixels to Proofs: Probabilistically-Safe Latent World Model Control via Parallel Conformal Robust MPC

• arxiv url: http://arxiv.org/abs/2606.15594v1
• Date: Sun, 14 Jun 2026 04:34:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:33.741008
• Title: Pixels to Proofs: Probabilistically-Safe Latent World Model Control via Parallel Conformal Robust MPC
• Title（参考訳）: Pixels to Proofs:Parallel Conformal Robust MPCによる確率論的に安全な潜在世界モデル制御
• Abstract要約: 我々は,ロバストモデル予測制御 (MPC) を用いた画素からの安全なフィードバック動作計画のためのフレームワーク SLS2 を提案する。 我々のアプローチは、コンパクトなマルコフ潜在状態を持つ行動条件付き共同埋め込み世界モデルを訓練する。 不完全な潜伏予測にも拘わらず、真のシステムの安全性を確保するために、GPU加速型システムレベル合成(SLS)の堅牢なMPCスキームを通知する。
• 参考スコア（独自算出の注目度）: 7.137568417435808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present SLS^2, a framework for safe feedback motion planning from pixels using robust model predictive control (MPC) in learned latent world models. Our approach trains an action-conditioned joint-embedding world model with compact Markovian latent states, enabling efficient gradient-based trajectory optimization through learned latent dynamics. To enforce safety for the true system despite imperfect latent predictions, we inform a GPU-accelerated system level synthesis (SLS) robust MPC scheme with conformal prediction to obtain calibrated latent error bounds and robust latent-space constraint sets. We further learn and conformalize a latent constraint checker, allowing the SLS planner to impose probabilistic safety constraints during closed-loop execution. We evaluate our method on vision-based control tasks, where it improves both goal-reaching performance and safety over latent world-model and safe-planning baselines.
• Abstract（参考訳）: SLS^2は、学習された潜在世界モデルにおけるロバストモデル予測制御(MPC)を用いた画素からの安全なフィードバック動作計画のためのフレームワークである。 提案手法は,コンパクトなマルコフ潜在状態を持つ行動条件付き共同埋め込み世界モデルを訓練し,学習された潜在力学による効率的な勾配に基づく軌道最適化を実現する。 不完全な潜時予測にも拘わらず、真のシステムの安全性を確保するため、コンホメーション予測を用いたGPU加速型システムレベル合成(SLS)ロバストMPCスキームを通知し、キャリブレーションされた潜時誤差境界とロバストな潜時空間制約セットを得る。 我々はさらに遅延制約チェッカーを学習して適合させ、SLSプランナーがクローズドループ実行中に確率論的安全制約を課すことを可能にする。 本手法は視覚に基づく制御タスクにおいて,潜在世界モデルと安全計画ベースラインよりもゴール到達性能と安全性を両立させる。

関連論文リスト

• Robustness without Wrinkles: Parallel Simulation and Robust MPC for Certified Deformable Manipulation [3.88671418022057]
  我々は,安全変形可能なオブジェクト操作をリアルタイムに制御するCORD-SLSについて,ロープや布に焦点をあてる。 コアとなるのは、効率的な勾配ベースの計画を可能にする接触平滑化を備えたGPU並列微分シミュレータである。 実時間,GPU並列出力フィードバック型ロバストモデル予測制御(MPC)アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2026-06-12T07:10:56Z)
• Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control [14.944399584182017]
  本稿では,各計画地平線の終端に,制御不変の安全セットのメンバシップを強制する安全値関数に基づく端末制約を提案する。 この定式化により、高性能かつ確実に安全な軌道のリアルタイム合成が可能となる。 本研究では,Flexiv Rizon 10s マニピュレータ上でのシミュレーションおよびハードウェア実験により,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-04-26T20:10:03Z)
• CMP: Robust Whole-Body Tracking for Loco-Manipulation via Competence Manifold Projection [64.65196237023754]
  Manifold Competence Projectionは、アウト・オブ・ディストリビューションの摂動に対する堅牢性を改善する。 我々は、無限水平安全制約を計算効率の良い単段多様体包含に変換するフレーム-ワイズ安全スキームを用いる。 実験により、CMPは典型的なOODシナリオで最大10倍の生存率向上を達成することが示された。
  論文  参考訳（メタデータ） (2026-04-08T18:00:39Z)
• 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)
• Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis [3.5174884177930448]
  整合予測(CP)とシステムレベル合成(SLS)を用いた配電系統のロバストな配電計画と制御のための新しいフレームワークを提案する。 まず、重み付きCPと学習状態制御依存共分散モデルを用いた高信頼モデル誤差境界を導出する。 これらの境界はSLSに基づく頑健な非線形モデル予測制御(MPC)の定式化に統合され、容積最適化された前方到達可能な集合を通して予測水平線上で制約の締め付けを行う。
  論文  参考訳（メタデータ） (2026-02-12T15:11:44Z)
• ConstrainedZero: Chance-Constrained POMDP Planning using Learned Probabilistic Failure Surrogates and Adaptive Safety Constraints [34.9739641898452]
  本研究では、最適値とポリシーのニューラルネットワーク近似を学習することにより、信念空間におけるCC-POMDPを解くConstrainedZeroポリシーアルゴリズムを導入する。 その結果, 目標から安全制約を分離することで, 報酬とコストのバランスを最適化することなく, 目標となる安全レベルを達成できることが示唆された。
  論文  参考訳（メタデータ） (2024-05-01T17:17:22Z)
• Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
  本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。 この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
  論文  参考訳（メタデータ） (2022-12-13T19:38:39Z)
• 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)
• Constrained Policy Optimization via Bayesian World Models [79.0077602277004]
  LAMBDAは、マルコフ決定プロセスを通じてモデル化された安全クリティカルタスクにおけるポリシー最適化のためのモデルに基づくアプローチである。 LAMBDA のSafety-Gymベンチマークスイートにおける技術性能について,サンプル効率と制約違反の観点から示す。
  論文  参考訳（メタデータ） (2022-01-24T17:02:22Z)
• 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)
• 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)

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。