論文の概要: Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor
- arxiv url: http://arxiv.org/abs/2608.25459v1
- Date: Wed, 26 Aug 2026 07:26:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-27 14:15:15.645408
- Title: Towards safe and optimal flight: Viability Kernel MPC for Fully Actuated Multirotor
- Title（参考訳）: 安全・最適飛行に向けて:完全作動型マルチロータ用生存カーネルMPC
- Abstract要約: 本論文では,モデル予測制御フレームワークにおいて,完全に作動するマルチロータに対して安全なポーズトラジェクトリを生成する手法を提案する。
障害物回避は計算された軸方向のバウンディングボックスを通じて実施され、完全オフライン到達性解析なしで正式な安全保証を提供する。
完全に作動する傾斜ヘキサロータの数値シミュレーションにより, 実時間計算性能を有する散在環境における航法成功を実証した。
- 参考スコア（独自算出の注目度）: 2.8914742944205862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial aerial robotics demands safety guarantees for navigation in unstructured environments while optimizing performance and computational efficiency. This paper presents a method for generating safe pose trajectories for fully actuated multirotors within a Model Predictive Control (MPC) framework, leveraging both viability theory and data-driven methods. Obstacle avoidance is enforced through dynamically computed axis-aligned bounding boxes, providing formal safety guarantees without exhaustive offline reachability analysis. Numerical simulations on a fully actuated tilted hexarotor validate the approach, demonstrating successful navigation in cluttered environments with real-time computational performance.
- Abstract（参考訳）: 産業用エアロロボティクスは、性能と計算効率を最適化しながら、非構造環境におけるナビゲーションの安全性を保証することを要求する。
本稿では,モデル予測制御(MPC)フレームワーク内でのマルチロータの安全なポーズトラジェクトリを生成する手法を提案する。
障害物回避は動的に計算された軸方向のバウンディングボックスを通じて実施され、完全なオフライン到達性解析なしに正式な安全保証を提供する。
完全に作動する傾斜ヘキサロータの数値シミュレーションにより, 実時間計算性能を有する散在環境における航法成功を実証した。
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) - AWARE: Adaptive Whole-body Active Rotating Control for Enhanced LiDAR-Inertial Odometry under Human-in-the-Loop Interaction [15.502575136823237]
リソース制限されたUAVプラットフォームは、しばしば視野の狭いLiDARセンサーに制限される。
AWAKEはバイオインスパイアされた全身のアクティブユーイングフレームワークで、UAV自身の回転速度を利用して効果的なセンサー水平線を拡大する。
Safe Flight Corridorメカニズムは、オペレータのナビゲーション意図を自律ヨー最適化から切り離すことによって、このHITLパラダイム内での運用上の安全性を保証する。
論文 参考訳（メタデータ） (2026-04-12T12:07:58Z) - Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties [26.41382315967256]
本稿では,安全な最適動作計画の必要性に対処する,リスクバウンドな新しい動き計画フレームワークを提案する。
動作不確実性下でのロボットの状態分布を予測するために,剛性マニピュレータ深部クープマン演算子 (RM-DeKO) モデルを統合する。
次に,並列物理シミュレーションとSOS(Sum-of-squares)プログラミングを併用して,衝突リスクのきめ細かい形式的証明を行う,効率的な階層的検証手法を提案する。
論文 参考訳（メタデータ） (2026-03-10T01:48:48Z) - SEP-NMPC: Safety Enhanced Passivity-Based Nonlinear Model Predictive Control for a UAV Slung Payload System [3.5382023072762188]
本稿では, バラバラな環境下でペイロードを輸送する四重極子に対して, 安定性と安全性を保証した安全促進型MPC (SEP-NMPC) を提案する。
安定化は、適応減衰を持つ形状のエネルギー貯蔵関数から導かれる厳密な通過率の不等式を埋め込むことによって実施される。
安全は、ユーザ定義クリアランスセットを前方不変にレンダリングする高次制御バリア関数(HOCBF)によって保証され、静的および動的障害と相互作用しながら分離を維持するために、クオータと揺動ペイロードの両方を義務付けている。
論文 参考訳（メタデータ） (2026-03-09T19:20:08Z) - 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) - Safe Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models [57.006252510102506]
強化学習(Reinforcement Learning, RL)は、最適な意思決定と制御のための強力なフレームワークである。
本稿では,未知および非線形連続力学系に対する安全性を低くした安全RLを実現するための新しい回復型遮蔽フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-12T22:03:35Z) - Spatiotemporal Tubes for Differential Drive Robots with Model Uncertainty [2.4919077201316067]
本稿では,動的不確かさと外乱を考慮したディファレンシャルドライブ移動ロボットのための時空間管型制御フレームワークを提案する。
提案手法は,ディファレンシャルドライブロボットのシミュレーション研究を通じて検証し,最先端の手法と比較した。
論文 参考訳（メタデータ） (2025-12-05T07:43:23Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - SAFE-SIM: Safety-Critical Closed-Loop Traffic Simulation with Diffusion-Controllable Adversaries [94.84458417662407]
制御可能なクローズドループ安全クリティカルシミュレーションフレームワークであるSAFE-SIMを紹介する。
提案手法は,1)現実の環境を深く反映した現実的な長距離安全クリティカルシナリオの生成,2)より包括的でインタラクティブな評価のための制御可能な敵行動の提供,の2つの利点をもたらす。
複数のプランナにまたがるnuScenesとnuPlanデータセットを使用して、我々のフレームワークを実証的に検証し、リアリズムと制御性の両方の改善を実証した。
論文 参考訳（メタデータ） (2023-12-31T04:14:43Z) - Chance-Constrained Trajectory Optimization for Safe Exploration and
Learning of Nonlinear Systems [81.7983463275447]
学習に基づく制御アルゴリズムは、訓練のための豊富な監督を伴うデータ収集を必要とする。
本稿では,機会制約付き最適制御と動的学習とフィードバック制御を統合した安全な探索による最適動作計画のための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2020-05-09T05:57:43Z) - 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。