論文の概要: Conformal Constraint Tightening for Chance-Constrained Motion Planning with Unknown Dynamics

• arxiv url: http://arxiv.org/abs/2607.22409v1
• Date: Fri, 24 Jul 2026 15:27:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.169451
• Title: Conformal Constraint Tightening for Chance-Constrained Motion Planning with Unknown Dynamics
• Title（参考訳）: 未知のダイナミクスをもつチャンス制約運動計画のための等角的制約強調
• Authors: Shubham Natraj, Bruno Sinopoli, Yiannis Kantaros,
• Abstract要約: モーションプランニングアルゴリズムは、安全でない状態を避けながら自律ロボットを目標領域に誘導する制御シーケンスを計算する。 サンプリングベースの計画から深層強化学習まで、既存の手法は、通常、名目モデルやシミュレータに関してのみタスク補完を保証する。 このレターは、未知の力学と利用可能な近似的モデルを持つシステムのこの制限に対処する。 我々は、計画問題の分布に対する名目から真への軌道偏差の確率的境界を提供するために、共形予測を利用する。
• 参考スコア（独自算出の注目度）: 5.583011507848018
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion planning algorithms compute control sequences that drive autonomous robots to goal regions while avoiding unsafe states. Existing methods, from sampling-based planning to deep reinforcement learning, typically provide task-completion guarantees only with respect to a nominal model or simulator, which may be invalidated when the true dynamics are unknown or difficult to model accurately. This letter addresses this limitation for systems with unknown dynamics and an available approximate nominal model, contributing a planner-agnostic constraint-tightening procedure that equips existing planners with a probabilistic task-completion guarantee on the true system. We leverage conformal prediction to provide a probabilistic bound on the nominal-to-true trajectory deviation over a distribution of planning problems. We tighten the planning constraints using that bound, and show that solving the tightened problem under the nominal model is a sufficient condition for solving the original problem on the true system with a prescribed probability. We validate the theoretical guarantees empirically and demonstrate substantially improved task completion relative to nominal-model planning.
• Abstract（参考訳）: モーションプランニングアルゴリズムは、安全でない状態を避けながら自律ロボットを目標領域に誘導する制御シーケンスを計算する。 サンプリングベースの計画から深層強化学習まで、既存の手法は、通常、名目モデルやシミュレータに関してのみタスク補完を保証する。 このレターは、未知のダイナミクスを持つシステムに対するこの制限と、利用可能な近似的モデルに対処し、プランナーに依存しない制約強化手順を、既存のプランナーに真のシステムに確率論的タスク補完保証を与える。 我々は共形予測を利用して、計画問題の分布に対する名目から真への軌道偏差の確率的境界を提供する。 そこで我々は,その境界線を用いて計画制約を厳格化させ,その厳密化問題を名目モデルで解くことが,真のシステム上での元の問題を所定の確率で解くのに十分な条件であることを証明した。 理論的保証を実証的に検証し、名目モデルプランニングと比較してタスク完了を大幅に改善したことを示す。

関連論文リスト

• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• Provably Safe Motion Planning Under Unknown Disturbances [14.551794453957404]
  本稿では,未知分布のランダムな乱れに影響を受けるロボットシステムのサンプリングに基づく動作計画アルゴリズムを提案する。 安全要件は、チャンス制約として定式化される。 ケーススタディでは,厳密な安全基準下での散在した環境における有効計画が,最先端の手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-05-26T07:02:27Z)
• CorrectionPlanner: Self-Correction Planner with Reinforcement Learning in Autonomous Driving [55.88697462014118]
  CorrectionPlannerは自己補正を備えた自動回帰プランナーである。 Waymaxでは衝突率を20%以上削減し、nuPlanでは最先端の計画スコアを達成している。
  論文  参考訳（メタデータ） (2026-03-16T18:03:21Z)
• Statistical Contraction for Chance-Constrained Trajectory Optimization of Non-Gaussian Stochastic Systems [0.0]
  このフレームワークは共形推論を用いて任意の参照軌跡を囲む閉ループ力学に対する信頼セットを生成する。 適切な制約の締め付けにより、基準軌跡上の統計的に妥当な決定論的制約をトラクタブルに修正することができる。 これにより、安全クリティカルな現実世界のアプリケーションにおいて、ニューラルネットワークメトリクスのような学習ベースのモーションプランナとコントローラを活用、検証するフォーマルなパスが可能になる。
  論文  参考訳（メタデータ） (2026-03-07T08:01:20Z)
• Diffusion Predictive Control with Constraints [51.91057765703533]
  拡散予測制御(Diffusion predictive control with constraints,DPCC)は、拡散に基づく制御のアルゴリズムである。 DPCCは,新しいテスト時間制約を満たすために,既存の手法よりも優れた性能を示すロボットマニピュレータのシミュレーションを通して示す。
  論文  参考訳（メタデータ） (2024-12-12T15:10:22Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• LaPlaSS: Latent Space Planning for Stochastic Systems [8.529245639496274]
  本稿では,自律型移動エージェントのリスクバウンド計画に対する「ジェネレーテッド・アンド・テスト」アプローチを提案する。 我々は変分オートエンコーダを用いて潜在線形力学モデルを学習し、計画問題を潜在空間にエンコードして候補軌道を生成する。 我々のアルゴリズムであるLaPlaSSは、学習力学を持つ実世界のエージェントに対して有界リスクを持つ軌道計画を生成することができることを示した。
  論文  参考訳（メタデータ） (2024-04-10T14:52:35Z)
• Planning as In-Painting: A Diffusion-Based Embodied Task Planning Framework for Environments under Uncertainty [56.30846158280031]
  具体的AIのためのタスクプランニングは、最も難しい問題の1つだ。 In-paintingとしての計画」というタスク非依存の手法を提案する。 提案するフレームワークは,様々な具体的AIタスクにおいて,有望なパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-02T10:07:17Z)
• Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems [1.0323063834827415]
  本研究では, 平均力学モデルを用いたサンプリングベースプランナを提案し, 学習外乱境界による閉ループ追従誤差を同時に有界化する。 この保証は,10次元四角形ロボットのシミュレーションや,クレージーフライ四角形ロボットとクリアパスジャカルロボットの現実世界でのシミュレーションにおいて,経験的安全性に変換されることを検証した。
  論文  参考訳（メタデータ） (2022-12-13T19:38:39Z)

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。