論文の概要: Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation
- arxiv url: http://arxiv.org/abs/2607.00424v1
- Date: Wed, 01 Jul 2026 04:33:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-02 19:56:07.716898
- Title: Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation
- Title（参考訳）: 共形外乱境界を用いた安全な冗長操作のためのロバスト操作空間制御
- Authors: Wenhua Liu, Fan Zhang, Qin Lin,
- Abstract要約: 制約のある人間間環境で動作する冗長なロボットマニピュレータは、正確なタスク空間追跡を必要とする。
本稿では,拡張状態オブザーバ(ESO)と共形予測を統合したOSCTCフレームワークを提案する。
7-DoF Franka Research 3 マニピュレータの実験では、様々な障害の下で1kHzでミリレベルの追跡精度とリアルタイム安全な制御が実証された。
- 参考スコア（独自算出の注目度）: 4.337275843491041
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Redundant robotic manipulators operating in constrained and human-interactive environments require accurate task-space tracking together with rigorous safety guarantees under dynamic uncertainties. Classical operational space computed torque controller (OSCTC) relies on accurate dynamic models and degrades in the presence of disturbances. In contrast, the data-driven paradigm of residual learning approximates disturbances as functions learned from full-state measurements, which are often noisy in practice, lack rigorous theoretical guarantees, and introduce additional design complexity. This paper proposes a robust OSCTC framework that integrates an extended state observer (ESO) with conformal prediction to combine model-based robustness and data-driven adaptability. The ESO estimates lumped disturbances directly in operational space without requiring full-state measurements as in residual learning, and a robust control barrier function (CBF) is constructed to enforce safety under uncertainty. However, robust CBFs require a known disturbance-variation bound to guarantee absolute safety, which often leads to conservatism in practice. To address this limitation, we further employ a sliding-window conformal prediction mechanism to estimate the bound online in a distribution-free manner, thereby achieving practical probabilistic safety guarantees. Experiments on a 7-DoF Franka Research 3 manipulator demonstrate millimeter-level tracking accuracy and real-time safe control at 1~kHz under various disturbances.
- Abstract（参考訳）: 制約付きおよび人間間環境で動作する冗長なロボットマニピュレータは、動的不確実性の下で厳密な安全保証とともに、正確なタスク空間追跡を必要とする。
古典的な運用空間計算トルクコントローラ(OSCTC)は、乱れの存在下での正確なダイナミックモデルと劣化に依存している。
対照的に、残差学習というデータ駆動のパラダイムは、フルステートの測定から学んだ関数として乱れを近似するが、実際はノイズが多く、厳密な理論的保証が欠如しており、設計の複雑さが増している。
本稿では,拡張状態オブザーバ(ESO)と共形予測を統合し,モデルに基づくロバスト性とデータ駆動型適応性を組み合わせたロバストOSCTCフレームワークを提案する。
ESOは、残差学習のような完全状態測定を必要とせず、運用空間で直接乱れを推定し、不確実性の下で安全を強制するために頑健な制御バリア機能(CBF)を構築した。
しかし、頑健なCBFは絶対安全性を保証するために既知の外乱変動を必要とするため、実際は保守主義に繋がることが多い。
この制限に対処するために、我々はさらにスライディング・ウインドウ・コンフォメーション予測機構を用いて、オンラインのバウンドを分布のない方法で推定し、実用的な確率的安全保証を実現する。
7-DoFのフランカ研究所3のマニピュレータの実験では、様々な障害の下でミリレベルの追跡精度と1〜kHzでのリアルタイム安全な制御が実証された。
関連論文リスト
- CAPSULE: Control-Theoretic Action Perturbations for Safe Uncertainty-Aware Reinforcement Learning [2.28224729577679]
オフライン環境で確率論的制御-アフィンダイナミクスモデルを学習する安全な強化学習フレームワークを提案する。
提案手法は,既存のベースラインに匹敵するリターンを達成すると同時に,安全性違反を著しく低減する。
論文 参考訳（メタデータ） (2026-04-26T07:31:30Z) - Staggered Integral Online Conformal Prediction for Safe Dynamics Adaptation with Multi-Step Coverage Guarantees [5.395687668363633]
本稿では、積分スコア関数を用いて、乱れと学習誤差のラップ効果を定量化するアルゴリズムであるStaggered Integral Online Conformal Prediction (SI-OCP)を提案する。
提案手法は,全層ディープニューラルネットワーク(DNN)適応クアッドコプターの数値シミュレーションにより検証する。
論文 参考訳（メタデータ） (2026-04-07T16:44:06Z) - A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance [45.63674336069651]
ソフト連続マニピュレータは機械的コンプライアンスを通じて受動的安全性を提供する。
サンプリングベースの計画のような既存のアプローチは、しばしば計算コストが高く、正式な安全保証がない。
本稿では,リアルタイム3次元障害物回避のための閉形式制御リャプノフ関数-制御バリア関数(CLF-CBF)について述べる。
論文 参考訳（メタデータ） (2026-03-19T19:34:49Z) - 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) - 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) - 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) - 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) - 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) - Guaranteeing Safety of Learned Perception Modules via Measurement-Robust
Control Barrier Functions [43.4346415363429]
制御理論と機械学習の技術を一体化して、安全を達成するコントローラを合成したいと考えている。
我々は,安全な制御入力を決定するツールとして,計測ロバスト制御バリア関数(MR-CBF)を定義した。
シミュレーションセグウェイシステムにおいて, MR-CBFが測定モデルの不確実性による安全性を実現するための有効性を示す。
論文 参考訳（メタデータ） (2020-10-30T00:19:01Z)
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。