論文の概要: Optimal Safety Control using High-Order Control Barrier Functions

• arxiv url: http://arxiv.org/abs/2607.17032v1
• Date: Sun, 19 Jul 2026 02:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-21 18:48:37.340643
• Title: Optimal Safety Control using High-Order Control Barrier Functions
• Title（参考訳）: 高次制御バリア関数を用いた最適安全制御
• Authors: Neng Li, Zuodong Pan, Jiaxing Wang, Weiguo Xia, Wei Ren,
• Abstract要約: 本稿では,新しい高次制御障壁関数(HOCBF)を提案する非線形制御系の最適安全制御問題について検討する。 HOCBFのゼロ化とは異なり、2つの新しいHOCBFが導出され、安全コントローラは明示的な方法で設計される。
• 参考スコア（独自算出の注目度）: 1.8632008663568647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper investigates the optimal safety control problem of nonlinear control systems by proposing novel high-order control barrier functions (HOCBFs). Different from zeroing HOCBFs, two novel HOCBFs are derived and the safety controllers are designed in an explicit way. Next, we implement vector Lyapunov function approach to propose a novel high-order control Lyapunov function (HOCLF) for the stabilization control problem. The relations between the proposed and existing HOCBFs are discussed. Afterwards, the compatibility of the proposed HOCLF and HOCBF is addressed to guarantee the stabilization and safety control objectives simultaneously, and thus the optimal controller is established. Finally, a numerical example from the navigation problem of quadrotors is presented to illustrate the efficacy of the derived results.
• Abstract（参考訳）: 本稿では,新しい高次制御障壁関数(HOCBF)を提案し,非線形制御系の最適安全制御問題について検討する。 HOCBFのゼロ化とは異なり、2つの新しいHOCBFが導出され、安全コントローラは明示的な方法で設計される。 次に、安定化制御問題に対する新しい高次制御リアプノフ関数(HOCLF)を提案するために、ベクトルリアプノフ関数アプローチを実装した。 提案するHOCBFと既存のHOCBFの関係について論じる。 その後、提案したHOCLFとHOCBFの互換性に対処し、安定化と安全制御の目標を同時に確保し、最適制御器を確立する。 最後に、導出した結果の有効性を示すために、四角形のナビゲーション問題からの数値的な例を示す。

関連論文リスト

• Taylor-Lagrange Control for Safety-Critical Systems [6.072701338858682]
  非線形制御系のための新しいTaylor-Lagrange Control (TLC)法を提案する。 提案するTLCは,システム安全性に必要かつ十分な条件を提供する。
  論文  参考訳（メタデータ） (2025-12-12T19:31:03Z)
• Optimal Parameter Adaptation for Safety-Critical Control via Safe Barrier Bayesian Optimization [27.36423499121502]
  制御バリア関数 (CBF) 法は, 制御性能向上に新たな課題を提起する。 安全制御性能を最適化するために,CBF法とベイズ最適化(BO)を組み合わせた新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-25T04:56:17Z)
• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• 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)
• 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)
• Differentiable Safe Controller Design through Control Barrier Functions [8.283758049749782]
  学習ベースのコントローラは、高い経験的性能を示すことができるが、正式な安全保証がない。 制御障壁関数(CBF)は、学習ベースコントローラの出力を監視・修正するための安全フィルタとして応用されている。 本稿では,CBF ベースの安全層を識別可能な NN コントローラを提案する。
  論文  参考訳（メタデータ） (2022-09-20T23:03:22Z)
• 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 Robust Hybrid Control Barrier Functions for Uncertain Systems [68.30783663518821]
  我々は,ロバストな安全を確保する制御則を合成する手段として,ロバストなハイブリッド制御障壁関数を提案する。 この概念に基づき,データからロバストなハイブリッド制御障壁関数を学習するための最適化問題を定式化する。 我々の技術は、モデル不確実性の対象となるコンパス歩行歩行者の魅力領域を安全に拡張することを可能にする。
  論文  参考訳（メタデータ） (2021-01-16T17:53:35Z)
• 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。