論文の概要: Risk-Aware Belief Control Barrier Functions over Random Finite Sets
- arxiv url: http://arxiv.org/abs/2607.15016v1
- Date: Thu, 16 Jul 2026 14:04:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-17 17:01:33.129926
- Title: Risk-Aware Belief Control Barrier Functions over Random Finite Sets
- Title（参考訳）: ランダム有限集合上のリスク対応信頼制御バリア関数
- Authors: Shaohang Han, Gang Chen, Yixi Cai, Ignacio Torroba, Ivan Stenius, Patric Jensfelt, Javier Alonso-Mora, Jana Tumova,
- Abstract要約: リスク認識型信念制御バリア機能 (BCBF) を用いて, 誘導多目的状態の不確実性の下での安全制御に対処する。
この不確実性は、連続モンテカルロ確率仮説密度フィルタによって推定されるランダム有限集合(RFS)の信念によって捉えられる。
我々は、個別の更新が安全性を維持する明示的な条件を導出する。
- 参考スコア（独自算出の注目度）: 24.17957184198205
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring robot safety in unknown, dynamic environments is a fundamental requirement. It involves inferring the states of an unknown and time-varying number of moving objects from noisy, incomplete measurements. We address safe control under the induced multi-object state uncertainty with a risk-aware belief control barrier function (BCBF) framework. The uncertainty is captured by a random finite set (RFS) belief, estimated by a sequential Monte Carlo probability hypothesis density (SMC-PHD) filter that represents it with a set of particles. Building directly on these particles, we construct a nonsmooth BCBF, establish forward invariance of the safe set under continuous prediction, and derive an explicit condition under which discrete updates preserve safety. Simulation and real-world underwater experiments demonstrate the effectiveness and efficiency of the proposed approach.
- Abstract（参考訳）: ロボットの安全性を未知の動的環境に確保することは、基本的な要件である。
ノイズや不完全な測定結果から、未知の時間変化の移動物体の状態を推定する。
リスク認識型信念制御バリア機能 (BCBF) を用いて, 誘導多目的状態の不確実性の下での安全制御に対処する。
この不確実性はランダム有限集合 (RFS) の信念によって捉えられ、連続モンテカルロ確率仮説密度 (SMC-PHD) によって推定される。
これらの粒子を直接構築し、非平滑なBCBFを構築し、連続的な予測の下で安全な集合の前方不変性を確立し、離散的な更新が安全を維持する明示的な条件を導出する。
シミュレーションと実世界の水中実験は,提案手法の有効性と有効性を示した。
関連論文リスト
- Chance-Constrained MPPI under State and Dynamic Object Prediction Uncertainty and the Evaluation of Collision Risk Calibration [1.8352113484137627]
自律ナビゲーションのためのリアルタイム・リスク対応計画アーキテクチャを提案する。
このフレームワークは、1管の Unscented Transform (UT) 近似によるローカライゼーションの不確実性とモンテカルロ凝集による動的障害物予測の不確実性を統合する。
高度に散らばった環境では、DUCCT-MPPIは優れた堅牢性を達成し、確立されたモンテカルロMPPIベースラインを約28%上回った。
論文 参考訳（メタデータ） (2026-05-27T11:32:05Z) - CAAL: Confidence-Aware Active Learning for Heteroscedastic Atmospheric Regression [7.951744148676244]
大気汚染の健康と気候への影響の定量化は、毒性や湿潤度といった大気中の重要な粒子の性質に依存している。
これらの性質は一般に複雑な観測技術や高価な粒子分解数値シミュレーションを必要とする。
本研究では,高効率かつ堅牢なサンプル選択のための信頼度対応能動学習フレームワーク(CAAL)を提案する。
論文 参考訳（メタデータ） (2026-02-12T11:09:58Z) - ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks [2.7458654644827134]
制御障壁関数 (CBF) は自律システムの安全クリティカル制御の有効な方法として実証されている。
ハミルトン・ヤコビ(HJ)の到達可能性解析に基づく観測条件付きニューラルCBFを提案する。
論文 参考訳（メタデータ） (2025-09-20T10:29:36Z) - 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) - Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic
Dynamical Models with Epistemic Uncertainty [68.00748155945047]
複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。
いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。
我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
論文 参考訳（メタデータ） (2022-10-12T07:57:03Z) - 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) - Gaussian Control Barrier Functions : A Non-Parametric Paradigm to Safety [7.921648699199647]
ガウス過程(GP)を用いたCBFのオンライン合成のための非パラメトリック手法を提案する。
GPは解析的トラクタビリティやロバストな不確実性推定などの非パラメトリック性に加えて、好ましい性質を持つ。
固定的かつ任意の安全な集合に対する安全な制御を実証することにより、クワッド上で実験により検証する。
論文 参考訳（メタデータ） (2022-03-29T12:21:28Z) - 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) - 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。