論文の概要: Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control

• arxiv url: http://arxiv.org/abs/2607.13348v1
• Date: Wed, 15 Jul 2026 00:19:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.614782
• Title: Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control
• Title（参考訳）: 階層的最適化と学習ベース制御による自律レースの安全性向上
• Abstract要約: 本稿では,安全確認軌道制御から操作レベルの意思決定を分離する階層的オーバーテイクフレームワークを提案する。 強化学習ポリシは、離散時間CBF減衰パラメータをオンラインで適応し、車両入力を直接制御することなく、コンテキスト依存の安全マージンの変調を可能にする。
• 参考スコア（独自算出の注目度）: 14.05083688629287
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autonomous racing overtaking requires balancing competitive performance with safety under nonlinear vehicle dynamics and real-time constraints. Model Predictive Control (MPC) combined with Control Barrier Functions (CBFs) provides a principled mechanism for certifying forward invariance of a safe set. However, commonly used fixed-decay discrete-time CBF formulations can become overly conservative in interactive racing scenarios, limiting overtaking performance and requiring manual tuning across track conditions. This paper proposes a hierarchical overtaking framework that explicitly separates maneuver-level decision making from safety-certified trajectory control, reducing conservatism while preserving safety. A high-level Mixed-Integer Quadratic Program (MIQP) resolves the combinatorial passing-side selection problem by selecting a feasible overtaking topology, while a nonlinear Frenet-frame MPC enforces vehicle dynamics and safety through embedded discrete-time CBF constraints. This decomposition isolates the combinatorial complexity of maneuver selection from the continuous trajectory optimization. To further mitigate the sensitivity of fixed-decay barrier constraints, a reinforcement learning policy adapts the discrete-time CBF decay parameter online, enabling context-dependent modulation of safety margins without directly controlling vehicle inputs. Simulation and scaled-hardware experiments show that no single fixed decay parameter achieves uniformly strong performance across tracks, whereas the adaptive strategy attains the highest aggregate success rate and consistently strong safety--performance trade-offs without per-track tuning, improving robustness to environment variation while maintaining safety constraint satisfaction in nominal operation.
• Abstract（参考訳）: 自律的なレースオーバーテイクには、非線形車両力学とリアルタイム制約の下での安全性と競争性能のバランスが必要である。 モデル予測制御(MPC)と制御バリア関数(CBF)の組み合わせは、安全な集合の前方不変性を証明するための原則的なメカニズムを提供する。 しかし、一般的に使用される固定デカイ離散時間CBFの定式化は、対話的なレースシナリオにおいて過度に保守的になり、パフォーマンスの超過を制限し、トラック条件をまたいだ手動チューニングを必要とする。 本稿では,安全確認軌道制御から操作レベル決定を明確に分離し,安全を維持しつつ保守性を低下させる階層的オーバーテイクフレームワークを提案する。 高レベル混合整数二次計画 (MIQP) は、実現可能なオーバーテイクトポロジを選択することで組合せパス側選択問題を解き、非線形FrenetフレームMPCは、組込み離散時間CBF制約により車両の動力学と安全性を強制する。 この分解は、連続軌道最適化から操作選択の組合せ複雑性を分離する。 強化学習ポリシは、固定デカイ障壁制約の感度をさらに軽減するため、離散時間CBF減衰パラメータをオンラインで適応させ、車両入力を直接制御することなく、安全マージンの文脈依存的な調整を可能にする。 シミュレーションおよびスケールド・ハードウエア実験により, 単一固定減衰パラメータがトラック全体で一様に高い性能を達成することはなく, 適応戦略はトラック毎のチューニングを伴わず, 環境変動に対する堅牢性を向上し, 安全制約満足度を維持しつつ, 最高集合的成功率と一貫した安全性-性能トレードオフを達成した。

関連論文リスト

• A Risk-Sensitive and Uncertainty-Aware Decision-Making and Control Framework for Safe and Robust Autonomous Driving [17.14182217508567]
  本稿では,安全かつ堅牢な自律運転のためのリスク感受性・不確実性を考慮した意思決定・制御(RUDC)フレームワークを提案する。 不確実性を考慮した高次制御バリア機能(HOCBF)に基づく安全補正機構は、政策の不確実性に応じて制約厳密度を適応的に調整する。
  論文  参考訳（メタデータ） (2026-09-09T03:03:19Z)
• Optimal Reward Shaping: Autonomous Car Parking Case Study [1.1458853556386799]
  本稿では、アライメントフィードバック、ドライブ方向スイッチの正規化、および自律並列駐車タスクで評価されたアライメントエピソード終了機構を特徴とするパラメータ化報酬形成フレームワークを提案する。 共最適化されたディープQネットワーク(DQN)エージェントは,サロゲートに基づくベイズ最適化を用いて特性制御障害モードを解く。
  論文  参考訳（メタデータ） (2026-07-26T11:49:23Z)
• Hamilton-Jacobi Reachability-Based Safe Reinforcement Learning for Emergency Collision Avoidance [13.82721066487409]
  本稿では,ハミルトン・ヤコビ到達可能性に基づく運動安全セットによってガイドされ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,目標達成率の向上,回避操作の円滑化,基準法よりも大きな統一安全マージンの維持を実現している。
  論文  参考訳（メタデータ） (2026-06-13T13:57:30Z)
• 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)
• Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles [0.0]
  本稿では,車両の動的安全境界制御のための応答認識型リスク制約制御バリア関数に基づく統合制御フレームワークを提案する。 このフレームワークは、制御勾配の基準方向を提供するために、名目力学と直接車体応答を融合する。 また、従来の決定論的安全制約をバリア関数誘導体のテールリスクに関する確率論的制約に再構成する。
  論文  参考訳（メタデータ） (2026-03-13T02:38:17Z)
• SEP-NMPC: Safety Enhanced Passivity-Based Nonlinear Model Predictive Control for a UAV Slung Payload System [3.5382023072762188]
  本稿では, バラバラな環境下でペイロードを輸送する四重極子に対して, 安定性と安全性を保証した安全促進型MPC (SEP-NMPC) を提案する。 安定化は、適応減衰を持つ形状のエネルギー貯蔵関数から導かれる厳密な通過率の不等式を埋め込むことによって実施される。 安全は、ユーザ定義クリアランスセットを前方不変にレンダリングする高次制御バリア関数(HOCBF)によって保証され、静的および動的障害と相互作用しながら分離を維持するために、クオータと揺動ペイロードの両方を義務付けている。
  論文  参考訳（メタデータ） (2026-03-09T19:20:08Z)
• 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)
• PoSafeNet: Safe Learning with Poset-Structured Neural Nets [49.854863600271614]
  既存のアプローチは、しばしば複数の安全制約を均一に、または固定された優先命令によって強制し、実現不可能と不安定な振る舞いを引き起こす。 我々は、この設定を擬似構造的安全性として定式化し、安全制約を部分的に順序づけられた集合としてモデル化し、安全構成を政策クラスの構造的特性として扱う。 この定式化に基づいて、逐次クローズドフォームプロジェクションを介して安全性を強制する、識別可能な神経安全層であるPoSafeNetを提案する。
  論文  参考訳（メタデータ） (2026-01-29T22:03:32Z)
• Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation [5.62479170374811]
  制御バリア関数(CBF)は非線形制御系力学を制約するエレガントなフレームワークを提供する。 これらの課題に包括的に対処する,新たな自己教師型学習フレームワークを導入する。 本研究では,2次元ダブルインテグレータ(DI)システムと7次元固定翼航空機システムに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2024-01-11T02:51:49Z)
• 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)
• Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
  本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。 本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T20:49:25Z)
• 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)
• 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。