論文の概要: D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions
- arxiv url: http://arxiv.org/abs/2607.10842v1
- Date: Sun, 12 Jul 2026 17:10:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-14 15:40:48.552361
- Title: D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions
- Title（参考訳）: D-SafeMPC:離散時間制御バリア関数を用いた拡散駆動型安全モデル予測制御
- Abstract要約: ロボット計画における拡散モデルの使用に関する重要な制限は、本質的に安全性や動的制約を強制できないことである。
本稿では拡散と制御の相互作用を強化するD-SafeMPCを提案する。
フランカマニピュレータのシミュレーションでは、D-SafeMPCは最先端のベースラインよりも安全性、タスク成功率、計画効率を向上させる。
- 参考スコア（独自算出の注目度）: 35.33769360235326
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A key limitation on the use of diffusion models in robotic planning is their inability to inherently enforce safety or dynamical constraints, which often results in physically infeasible or unsafe outputs. Hybrid approaches that employ model predictive control (MPC) to address this problem can be unstable, as poor trajectory initializations from the diffusion model prevent the MPC from converging to a safe and feasible solution. To overcome these challenges, we propose D-SafeMPC, which enhances the interaction between diffusion and control. Our method guides the reverse diffusion process with control barrier functions (CBFs) and control Lyapunov functions (CLFs) and employs an iterative-projection scheme where an MPC refines the trajectory at each denoising step. This steers sampling toward safe, goal-directed regions and provides reliable MPC warm starts. In simulations on a Franka manipulator across four scenarios (one static-obstacle and three dynamic-obstacle settings) and in a sim-to-real experiment on a physical Franka robot, D-SafeMPC improves safety, task success rates, and planning efficiency over state-of-the-art baselines. To facilitate reproducibility, our source code and experimental configurations are available in a repository at https://github.com/erdiphd/D-SafeMPC
- Abstract（参考訳）: ロボット計画における拡散モデルの使用に関する重要な制限は、安全または動的制約を本質的に強制できないことである。
モデル予測制御(MPC)を用いてこの問題に対処するハイブリッドアプローチは、拡散モデルからの低軌道初期化により、MPCが安全かつ実現可能な解に収束するのを防ぐため、不安定である。
これらの課題を克服するため,拡散と制御の相互作用を高めるD-SafeMPCを提案する。
制御障壁関数 (CBF) と制御リアプノフ関数 (CLF) を用いて逆拡散過程を導出し, MPC が各聴覚ステップで軌道を改良する反復射影方式を用いる。
このステアは安全でゴール指向の領域に向けてサンプリングし、信頼性の高いMPCウォームスタートを提供する。
4つのシナリオ(静的障害物1つ、動的障害物3つ)にわたるFrankaマニピュレータのシミュレーションや、物理的なFrankaロボットでのシミュレート・トゥ・リアルな実験では、D-SafeMPCは、最先端のベースラインよりも安全性、タスク成功率、計画効率を向上させる。
再現性を促進するため、ソースコードと実験的な構成はhttps://github.com/erdiphd/D-SafeMPCのリポジトリで利用可能です。
関連論文リスト
- Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。
リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
論文 参考訳（メタデータ） (2026-07-22T16:37:05Z) - HJ-SafeDMP: Hamilton-Jacobi Reachability-Guided Dynamic Movement Primitives for Provably Safe Robot Motion [0.8594140167290097]
本稿では,動的移動プリミティブと学習到達可能性に基づく安全価値関数を統合するフレームワークであるHJ-SafeDMPを紹介する。
我々は,HJ-SafeDMPが最適化ベースラインよりも高速に実行することで,正式な安全保証を実現することを示す。
論文 参考訳（メタデータ） (2026-06-27T16:15:07Z) - FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance [4.374354534474969]
FORMULAは安全な分散学習型予測制御フレームワークである。
安定性のためのコントロールLyapunov関数と、分散安全性のためのニューラルネットワークベースのCBFを統合している。
FORMULAは、複雑な環境下でのマルチロボットチームに対して、スケーラブルで、安全に配慮した、構成保存ナビゲーションを可能にする。
論文 参考訳（メタデータ） (2026-04-06T04:21:09Z) - SafeDMPs: Integrating Formal Safety with DMPs for Adaptive HRI [0.764671395172401]
本稿では,ロバストな非最適化動作制御のためのフレームワークであるSafeDMPを紹介する。
SafeDMPsは最適化ベースラインよりも桁違いに高速で精度が高いことを示す。
これはリアルタイムで安全で協調的なロボティクスにとって理想的なソリューションだ。
論文 参考訳（メタデータ） (2026-03-31T13:09:43Z) - Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems [40.270309876786776]
マルチエージェント安全フレームワークとして構造化制御バリア関数(s-CBF)を導入する。
提案手法は、パーミッシブで形式的なプラグアンドプレイプロトコルを実現する。
ミニチュアレースカー小隊のシミュレーションおよび実時間実験による定式化の検証を行った。
論文 参考訳（メタデータ） (2026-03-31T10:38:22Z) - 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) - Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions [26.692688699287213]
制御障壁関数(CBF)を利用する安全フィルタは、複雑なシステム上での安全な動作を強制するのに非常に効果的である。
RoMとFoMのギャップは、安全違反を引き起こす可能性がある。
本稿では,FoMのロールアウトを活用して予測ロバスト性項を定義することで,このギャップに対処する固有CBFを提案する。
論文 参考訳（メタデータ） (2024-12-05T23:05:25Z) - SafeDiffuser: Safe Planning with Diffusion Probabilistic Models [97.80042457099718]
拡散モデルに基づくアプローチは、データ駆動計画において有望であるが、安全保証はない。
我々は,拡散確率モデルが仕様を満たすことを保証するために,SafeDiffuserと呼ばれる新しい手法を提案する。
提案手法は,迷路経路の生成,足歩行ロボットの移動,空間操作など,安全な計画作業の一連のテストを行う。
論文 参考訳（メタデータ） (2023-05-31T19:38:12Z) - 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) - 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)
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。