論文の概要: Conflict-Aware Switching for CBF-CLF-Based Multi-Goal Navigation

• arxiv url: http://arxiv.org/abs/2606.21577v1
• Date: Fri, 19 Jun 2026 16:28:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 12:38:16.490957
• Title: Conflict-Aware Switching for CBF-CLF-Based Multi-Goal Navigation
• Title（参考訳）: CBF-CLFに基づくマルチゴールナビゲーションのための競合認識スイッチング
• Authors: Rohan Walia, Kevin Leahy,
• Abstract要約: 制御バリア関数(CBF)と制御リアプノフ関数(CLF)を用いた準プログラム(QP)は、リーチ・アンド・アビドナビゲーションにおける安全な制御に広く用いられている。 CBFとCLFの制約の本質的に矛盾する性質は、スローダウンやデッドロックなど、パフォーマンスの低下につながる可能性がある。 本稿では,制約競合を軽減するために,高コンフリクト条件を検出し,利用可能な名目制御対象間の切り替えを行うコンフリクト対応スイッチング戦略を提案する。
• 参考スコア（独自算出の注目度）: 2.6478136610650926
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Quadratic programs (QPs) using Control Barrier Functions (CBFs) and Control Lyapunov Functions (CLFs) are widely used for safe control in reach-and-avoid navigation. However, the inherently conflicting nature of CBF and CLF constraints can lead to performance degradation, including slowdowns and deadlocks. This issue is exacerbated in multi-goal scenarios, where multiple nominal control objectives must be satisfied under shared safety constraints. Existing approaches for preemptive safety are often computationally expensive or overly conservative, while methods that relax or switch between nominal objectives are not well-suited for sequential goal-to-goal navigation. To address these limitations, we propose a conflict-aware switching strategy that detects high-conflict conditions and switches between available nominal control objectives to reduce constraint conflict. We apply this approach to multi-agent, multi-goal reach-and-avoid scenarios under CBF-CLF-QP control. Compared to a baseline sequential goal traversal strategy, our method reduces both completion time and timeout rates, demonstrating improved performance in satisfying all nominal control objectives while respecting safety constraints.
• Abstract（参考訳）: 制御バリア関数(CBF)と制御リアプノフ関数(CLF)を用いた準プログラム(QP)は、リーチ・アンド・アビドナビゲーションにおける安全な制御に広く用いられている。 しかし、CBFとCLFの制約の本質的に矛盾する性質は、スローダウンやデッドロックなどパフォーマンスの低下につながる可能性がある。 この問題は、複数の名目制御目標を共有安全制約の下で満たさなければならないマルチゴールシナリオにおいて悪化する。 既存のプリエンプティブ・セーフティのアプローチは、しばしば計算コストがかかるか、過度に保守的であるが、明確な目的を緩和したり切り替えたりする手法は、シーケンシャルなゴール・ツー・ゴール・ナビゲーションには適していない。 これらの制約に対処するため,制約競合を軽減するために,高コンフリクト条件を検出し,利用可能な名目制御目標間の切り替えを行うコンフリクト対応スイッチング戦略を提案する。 本手法をCBF-CLF-QP制御下でのマルチエージェント・マルチゴールリーチ・アンド・アビドシナリオに適用する。 本手法は,基準となる逐次目標トラバース戦略と比較して,完了時間とタイムアウト率の両方を低減し,安全制約を尊重しつつ,名目上の制御目標をすべて満たす性能の向上を実証する。

関連論文リスト

• Last-Iterate Global Convergence of Policy Gradients for Constrained Reinforcement Learning [62.81324245896717]
  我々はC-PGと呼ばれる探索非依存のアルゴリズムを導入し、このアルゴリズムは(弱)勾配支配仮定の下でのグローバルな最終点収束を保証する。 制約付き制御問題に対して,我々のアルゴリズムを数値的に検証し,それらを最先端のベースラインと比較する。
  論文  参考訳（メタデータ） (2024-07-15T14:54:57Z)
• Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems [14.166970599802324]
  最適制御法は、安全クリティカルな問題に対する解決策を提供するが、容易に難解になる。 モデル予測制御を利用した強化学習に基づく回帰水平制御手法を提案する。 我々は、コネクテッド・アンド・オートマチック・ビークルにおける自動マージ制御問題に適用し、本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2024-03-26T02:49:08Z)
• Conflict-Averse Gradient Aggregation for Constrained Multi-Objective Reinforcement Learning [13.245000585002858]
  多くの実世界の応用において、強化学習(RL)エージェントは、複数の目的を考慮し、安全ガイドラインに従うべきである。 制約付き多目的勾配集約アルゴリズム(Constrained Multi-Objective Gradient Aggregator, CoGAMO)を提案する。
  論文  参考訳（メタデータ） (2024-03-01T04:57:13Z)
• Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications [73.58451824894568]
  広く採用されているCMDPモデルは予測のリスクを制約しており、長い尾の州で危険な行動を起こす余地がある。 安全クリティカルな領域では、そのような行動は破滅的な結果をもたらす可能性がある。 本稿では,目標を最大化するタスク報酬を適応的に抑制する新しい手法であるObjective Suppressionを提案する。
  論文  参考訳（メタデータ） (2024-02-23T23:22:06Z)
• 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)

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。