論文の概要: End-to-End Learning of Safe Optimal Feedback Control in High Dimensions with Control Barrier Function Layers

• arxiv url: http://arxiv.org/abs/2607.20674v1
• Date: Wed, 22 Jul 2026 19:17:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-24 18:26:25.195487
• Title: End-to-End Learning of Safe Optimal Feedback Control in High Dimensions with Control Barrier Function Layers
• Title（参考訳）: 制御バリア関数層を有する高次元における最適フィードバック制御のエンド・ツー・エンド学習
• Abstract要約: 制御障壁関数(CBF)によって強制される厳しい安全制約下での高次元半言語フィードバックコントローラの学習問題を考察する。 CBFをエンドツーエンドのポリシートレーニングに組み込むには、2次プログラムベースの安全フィルタを最適化層として組み込む必要がある。 我々は,最近開発されたJacobian-Free Backpropagation (JFB) 法と演算子分割を併用して,スケーラブルなエンドツーエンドトレーニングを実現することで,この制限に対処する。
• 参考スコア（独自算出の注目度）: 2.9195558758083635
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of learning high-dimensional semi-global feedback controllers under hard safety constraints enforced by control barrier functions (CBFs). Incorporating CBFs into end-to-end policy training requires embedding a quadratic-program-based safety filter as an optimization layer, but computational and differentiation bottlenecks have largely restricted prior approaches to low-dimensional systems, typically with at most 16 state dimensions. We address this limitation by combining operator splitting with the recently developed Jacobian-Free Backpropagation (JFB) method to enable scalable end-to-end training while preserving hard safety guarantees through the CBF safety filter. We justify this training methodology theoretically using nonsmooth analysis techniques and demonstrate its effectiveness on high-dimensional multi-agent nonlinear control problems with state and control dimensions up to 1200 and 400, respectively.
• Abstract（参考訳）: 制御バリア関数(CBF)によって強制される厳しい安全制約の下で,高次元半言語フィードバックコントローラを学習する問題を考察する。 CBFをエンドツーエンドのポリシートレーニングに組み込むには、2次プログラムベースの安全フィルタを最適化層として組み込む必要があるが、計算と微分のボトルネックは、通常16の状態次元を持つ低次元システムに対する以前のアプローチに大きく制限されている。 我々は,最近開発されたJacobian-Free Backpropagation (JFB) 法と演算子分割を併用して,CBF安全フィルタによるハードセーフティ保証を保ちながら,スケーラブルなエンドツーエンドトレーニングを実現する。 本手法を理論的に非滑らかな解析手法を用いて正当化し, 最大1200および400の制御次元を持つ高次元マルチエージェント非線形制御問題に対して, その有効性を実証する。

関連論文リスト

• 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)
• Domain Adaptive Safety Filters via Deep Operator Learning [5.62479170374811]
  本稿では,環境パラメータから対応するCBFへのマッピングを学習する自己教師型深層演算子学習フレームワークを提案する。 動的障害物を含むナビゲーションタスクの数値実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2024-10-18T15:10:55Z)
• 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)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Enforcing robust control guarantees within neural network policies [76.00287474159973]
  本稿では、ニューラルネットワークによってパラメータ化され、ロバスト制御と同じ証明可能なロバスト性基準を適用した、一般的な非線形制御ポリシークラスを提案する。 提案手法は,複数の領域において有効であり,既存のロバスト制御法よりも平均ケース性能が向上し,(非ロバスト)深部RL法よりも最悪のケース安定性が向上した。
  論文  参考訳（メタデータ） (2020-11-16T17:14:59Z)
• 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。