論文の概要: Learning-Based Measurement-Robust Control Barrier Functions for Obstacle Avoidance under State Estimation Error
- arxiv url: http://arxiv.org/abs/2608.20467v1
- Date: Thu, 20 Aug 2026 18:00:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.127539
- Title: Learning-Based Measurement-Robust Control Barrier Functions for Obstacle Avoidance under State Estimation Error
- Title（参考訳）: 状態推定誤差下での障害物回避のための学習型計測ロバスト制御バリア機能
- Abstract要約: 安全フィルタは安全クリティカルシステムにおける制約を強制するための有効なツールであるが、既存のほとんどの手法では完全な状態情報を前提としている。
最近の研究は、状態推定誤差に頑健なフィルタリング機構を開発することで、このギャップを埋め始めた。
本研究では,DMR-CBFとNMR-CBFの2つの新しい制御障壁関数を開発した。
- 参考スコア（独自算出の注目度）: 16.104131302845683
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Safety filters are an effective tool for enforcing constraints in safety-critical systems, but most existing methods assume perfect state information, which is rarely available in practice. Recent work has begun to close this gap by developing filtering mechanisms that are robust to state estimation error, but these methods can still exhibit safety violations or overly conservative behavior as estimation error grows. Focusing on obstacle avoidance, we develop two new control barrier function (CBF) formulations: drift-measurement-robust (DMR)-CBFs and neural measurement-robust (NMR)-CBFs. The DMR-CBF augments the standard CBF condition with an inner optimization over the worst-case uncertainty in the drift dynamics, improving robustness to estimation error. This DMR-CBF then supervises a pretraining phase for the NMR-CBF, which replaces the inner optimization with a learned term. The NMR-CBF is subsequently finetuned through differentiable trajectory rollouts, yielding a filter that achieves empirical safety comparable to the DMR-CBF while reducing both conservativeness and computational cost. We provide theoretical analysis of the DMR-CBF along with numerical results on a planar double integrator and a 12D quadrotor, where both proposed approaches prevent collisions while other robust methods either fail or are overly conservative. Finally, we deployed the NMR-CBF on a Unitree Go2, enabling successful navigation of an obstacle field under odometry errors that caused a standard CBF to collide.
- Abstract（参考訳）: 安全フィルタは、安全クリティカルなシステムの制約を強制する効果的なツールであるが、既存のほとんどの手法では完全な状態情報を前提としており、実際に利用できることは稀である。
最近の研究は、状態推定誤差に対して堅牢なフィルタリング機構を開発することで、このギャップを埋め始めているが、これらの手法は、推定誤差が大きくなるにつれて、安全違反や過度に保守的な行動を示すことができる。
障害物回避に着目して,ドリフト計測ロバスト(DMR)-CBFとニューラル計測ロバスト(NMR)-CBFの2つの新しい制御バリア関数(CBF)を考案した。
DMR-CBFは、ドリフト力学における最悪のケースの不確実性に対して内部最適化を施して標準CBF条件を強化し、推定誤差に対する堅牢性を向上させる。
このDMR-CBFはNMR-CBFの事前学習フェーズを監督し、内部最適化を学習項に置き換える。
NMR-CBFはその後、微分可能な軌道のロールアウトによって微調整され、DMR-CBFに匹敵する実験的な安全性を達成し、保守性と計算コストの双方を低減させるフィルタが得られる。
本稿では、DMR-CBFの理論解析と、平面二重積分器と12D四重項器の数値解析を行い、両手法が衝突を防止し、他の頑健な手法が失敗するか、過度に保守的であることを示す。
最後に, NMR-CBFをUnitree Go2上に展開し, 標準CBFが衝突する原因となる障害物場の航法に成功した。
関連論文リスト
- Distributed Motion Planning with Safety Guarantees for Self-Reconfiguring Robotic Boats [76.98547580312116]
本稿では,分散モデル予測制御(MPC)と制御バリア関数(CBF)を組み合わせたハイブリッドフレームワークを提案する。
リアルタイムに安全を確保するため、分散CBFベースのフィルタを適用し、エージェント間回避を強制する。
論文 参考訳（メタデータ） (2026-07-22T16:37:05Z) - Robust Operational Space Control with Conformal Disturbance Bounds for Safe Redundant Manipulation [4.337275843491041]
制約のある人間間環境で動作する冗長なロボットマニピュレータは、正確なタスク空間追跡を必要とする。
本稿では,拡張状態オブザーバ(ESO)と共形予測を統合したOSCTCフレームワークを提案する。
7-DoF Franka Research 3 マニピュレータの実験では、様々な障害の下で1kHzでミリレベルの追跡精度とリアルタイム安全な制御が実証された。
論文 参考訳（メタデータ） (2026-07-01T04:33:39Z) - Maximal Controlled Invariant-MPC: Enhancing Feasibility and Reducing Conservatism through Terminal CBF Constraint in Safety-Critical Control [0.8594140167290097]
制御バリア関数(CBF)を終端制約として用いたモデル予測制御(MPC)の定式化を提案する。
MPCは、予測の地平線を増大させ、実現可能性と到達性を向上させることが証明されている。
到達可能な状態空間の増加は、制御バリア関数の内側にある軌跡を追跡するシステムの能力によって実証された。
論文 参考訳（メタデータ） (2026-05-07T01:42:11Z) - Boundary-to-Region Supervision for Offline Safe Reinforcement Learning [56.150983204962735]
バウンダリ・トゥ・レギオン(Bundary-to-Region, B2R)は、コスト信号による非対称な条件付けを可能にするフレームワークである。
B2Rは、CTGを固定された安全予算の下で境界制約として再定義し、すべての実行可能な軌道のコスト分布を統一する。
実験の結果,B2Rは38項目中35項目の安全制約を満たすことがわかった。
論文 参考訳（メタデータ） (2025-09-30T03:38:20Z) - CP-NCBF: A Conformal Prediction-based Approach to Synthesize Verified Neural Control Barrier Functions [2.092779643426281]
制御バリア関数(CBF)は、安全クリティカルなコントローラを設計するための実践的なアプローチである。
近年,ニューラルCBFのような学習ベースの手法でこの問題に対処する研究が進められている。
本稿では, 分割整形予測を利用して, 正式に検証されたニューラルCBFを生成する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） (2025-03-18T10:01:06Z) - 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) - Wasserstein Distributionally Robust Control Barrier Function using
Conditional Value-at-Risk with Differentiable Convex Programming [4.825619788907192]
制御バリア関数 (CBF) は、現実世界の安全クリティカルシステムのための安全なコントローラの設計に広く注目を集めている。
分布変化下でのレジリエンスを達成するために, 分散ロバストCBFを提案する。
また、高次システムに対するDR-CBFの近似変種も提供する。
論文 参考訳（メタデータ） (2023-09-15T18:45:09Z) - 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) - 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。