論文の概要: Data-Driven Time-Varying Control Barrier Functions for Adaptive Safe-Set Learning with Online Decremental Support Vector Machines
- arxiv url: http://arxiv.org/abs/2608.19366v1
- Date: Wed, 19 Aug 2026 18:35:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-21 20:28:51.380554
- Title: Data-Driven Time-Varying Control Barrier Functions for Adaptive Safe-Set Learning with Online Decremental Support Vector Machines
- Title（参考訳）: オンラインデクリメンタルサポートベクトルマシンを用いた適応型セーフセット学習のためのデータ駆動型時変制御バリア関数
- Abstract要約: システム能力が変化するにつれて、名目上の条件下での安全証明書は無効になる可能性がある。
本稿では,データから安全な集合を学習し,それをオンラインで更新し,得られた障壁を強制する,データ駆動型安全フィルタリングフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 2.676349883103404
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Mission-critical intelligent systems often operate under time-varying limitations that reduce control authority and change the admissible safe operating envelope. In such settings, a safety certificate learned under nominal conditions may become invalid as system capability changes. To address this challenge, this paper proposes a degradation-aware, data-driven safety-filtering framework that learns a safe set from data, updates it online, and enforces the resulting learned barrier through a time-varying control barrier function (CBF). A nominal safe envelope is first learned from operational data using a radial basis function (RBF)-kernel support vector machine (SVM), whose decision function serves as the initial CBF candidate. To capture capability-induced safe-set contraction, a continuous-time decremental SVM update law is developed so that selected support-vector coefficients are reduced according to a degradation signal. A homotopy-smoothed SVM-CBF is then introduced to avoid discontinuous changes in the learned barrier during active-set transitions. The resulting time-varying learned barrier is enforced using a quadratic-program-based safety filter under degraded input constraints. Forward invariance of the learned time-varying safe set and recursive feasibility of the safety filter are established. Simulation results on a vertical takeoff and landing (VTOL) model show that the proposed method maintains safety under reduced control authority and avoids abrupt barrier-switching effects during safe-set contraction.
- Abstract（参考訳）: ミッションクリティカルなインテリジェントシステムは、制御権限を減らし、許容可能な安全な運用封筒を変更する時間制限の下で運用されることが多い。
このような設定では、システム能力の変化に伴い、命名条件下で学習された安全証明書が無効になる可能性がある。
この課題に対処するために、データから安全なセットを学習し、オンラインで更新し、時間変化制御バリア機能(CBF)を通じて学習した障壁を強制する、劣化認識型データ駆動型安全フィルタリングフレームワークを提案する。
決定関数が最初のCBF候補となるラジアルベース関数(RBF)カーネルサポートベクターマシン(SVM)を用いた運用データから、名目安全な封筒を最初に学習する。
キャパシティによって誘導される安全なセットの収縮を捉えるため、劣化信号に応じて、選択された支持ベクトル係数が減少するように、連続時間デクリメンタルSVM更新法を開発する。
ホモトピースムースなSVM-CBFは、アクティブセット遷移中の学習障壁の不連続な変化を避けるために導入される。
結果の時間変化学習障壁は、劣化した入力制約の下で2次プログラムベースの安全フィルタを用いて強制される。
学習した時間変化セーフセットの前方不変性を確立し、安全フィルタの再帰的実現性を確立する。
垂直離着陸(VTOL)モデルによるシミュレーション結果から,提案手法は制御権限の低減による安全維持と,安全セットの収縮時の急激なバリアスイッチング効果の回避を図っている。
関連論文リスト
- Safe Overtaking for Autonomous Racing Using Hierarchical Optimization and Learning-Based Control [14.05083688629287]
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。
論文 参考訳（メタデータ） (2026-07-15T00:19:14Z) - Online Safety Filter for Deformable Object Manipulation with Horizon Agnostic Neural Operators [25.931880819916643]
変形可能なオブジェクト操作のための制約駆動型オンライン安全フィルタを提案する。
このフィルタは、名目制御ポリシーを最小限に修正することで、タスクレベルの安全性の制約をリアルタイムで実施する。
提案手法はFluidLabにおいて,フィルタがフィルタされていない基本方針に対して,安全な軌道速度を最大22%向上させる。
論文 参考訳（メタデータ） (2026-05-01T20:06:54Z) - 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) - V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions [8.042484673796137]
V-OCBF(Value-Guided Offline Control Barrier Function)を導入する。
オフラインデモから完全にニューラルネットワークCBFを学習する。
基準法よりも安全性違反が著しく少ない。
論文 参考訳（メタデータ） (2025-12-11T17:14:37Z) - UpSafe$^\circ$C: Upcycling for Controllable Safety in Large Language Models [67.91151588917396]
大規模言語モデル(LLM)は、幅広いタスクで顕著な進歩を遂げているが、有害なコンテンツ生成やジェイルブレイク攻撃といった安全リスクに弱いままである。
安全に配慮したリサイクルによるLCMの安全性向上のための統合フレームワークであるUpSafe$circ$Cを提案する。
この結果から, 静的アライメントから動的, モジュール, 推論対応制御への移行という, LLMの安全性の新たな方向性が明らかになった。
論文 参考訳（メタデータ） (2025-10-02T16:43:33Z) - CARE: Decoding Time Safety Alignment via Rollback and Introspection Intervention [68.95008546581339]
Contrastive Decodingのような既存のデコーディングタイムの介入は、安全と応答品質の間に深刻なトレードオフを強いることが多い。
本稿では,3つの重要なコンポーネントを統合した,復号時安全アライメントのための新しいフレームワークであるCAREを提案する。
このフレームワークは、安全性、品質、効率のバランスが良く、有害な応答率が低く、ユーザエクスペリエンスを最小限に破壊できる。
論文 参考訳（メタデータ） (2025-09-01T04:50:02Z) - 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) - 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) - 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)
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。