論文の概要: OcclusionCBF: Backup Control Barrier Functions for Safe Navigation Among Hidden Dynamic Obstacles

• arxiv url: http://arxiv.org/abs/2609.06342v1
• Date: Sun, 06 Sep 2026 02:31:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-12 05:57:14.455972
• Title: OcclusionCBF: Backup Control Barrier Functions for Safe Navigation Among Hidden Dynamic Obstacles
• Title（参考訳）: OcclusionCBF:隠れた動的障害物間の安全ナビゲーションのためのバックアップ制御バリア機能
• Abstract要約: OcclusionCBFは、バックアップ制御バリア関数を到達可能な占有率予測に拡張する安全フィルタである。 我々は,ミリ秒スケールの計算により,応答性および閉塞性を考慮した予測ベースラインよりも優れたタスク成功を示す。
• 参考スコア（独自算出の注目度）: 13.327838370494982
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Robots navigating under occlusion may enter states from which no admissible input can avoid a dynamic obstacle once it becomes visible. We present OcclusionCBF, a safety filter that extends backup control barrier functions to reachable-occupancy predictions for potentially hidden dynamic obstacles in occluded regions. The method certifies a prescribed backup rollout against collision-inflated occupancy and a verified terminal set, yielding affine constraints for minimally invasive quadratic-program filtering. We establish recursive feasibility of the resulting safety filter, and collision avoidance for every hidden-obstacle motion covered by the occupancy prediction. Randomized benchmarks, MetaUrban simulations, and hardware experiments demonstrate improved task success over reactive and occlusion-aware predictive baselines with millisecond-scale computation.
• Abstract（参考訳）: オクルージョンの下でナビゲートするロボットは、許容可能な入力が一度見えるとダイナミックな障害物を回避できない状態に入ることがある。 本稿では,OcclusionCBFを提案する。OcclusionCBFは,保護領域内の潜在的に隠れた動的障害に対して,バックアップ制御バリア関数を到達可能な占有率予測に拡張する安全フィルタである。 衝突膨らませた占有状況に対する所定のバックアップロールアウトと、検証された端末セットとを認証し、最小侵襲の二次プログラムフィルタリングのためのアフィン制約を与える。 得られた安全フィルタの再帰的実現可能性を確立し, 占有率予測によってカバーされたすべての隠れ障害物運動に対する衝突回避効果を検証した。 ランダム化ベンチマーク、MetaUrbanシミュレーション、ハードウェア実験は、ミリ秒スケールの計算により、リアクティブおよびオクルージョン対応の予測ベースラインよりも優れたタスク成功を示す。

関連論文リスト

• SEAMLiS: Visibility-Aware Safety for Perception-Limited Multi-Robot Exploration [9.293122730806958]
  本稿では,分散マルチロボット探索のためのモジュール型実行層安全性フレームワークを提案する。 SEAMLiSは、ゴールアロケータとローカルプランナを含む上流の探索スタックを保持し、実行層で安全性を強制する。 制御バリア関数(CBF)ベースの位置フィルタは、既知の障害物、新たに検出された障害物、その他のロボットを避ける。
  論文  参考訳（メタデータ） (2026-07-10T20:25:47Z)
• Shield-Loco: Shielding Locomotion Policies with Predictive Safety Filtering [10.242244578585897]
  大規模オフライン安全な学習は、すべてのエッジケースをカバーするには実用的ではない。 本稿では,RLポリシーに従属する名目接触位置をポストホックフィルタでフィルタする安全フィルタを提案する。 密集した散らばった環境下での四足ロボットのフィルタの有効性を検証する。
  論文  参考訳（メタデータ） (2026-06-05T11:59:43Z)
• 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)
• 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)
• Uncertainty-Aware Non-Prehensile Manipulation with Mobile Manipulators under Object-Induced Occlusion [14.81767061528854]
  オンボードセンシングを用いた非包括的操作は根本的な課題である。 本稿では,この課題に対処する強化学習フレームワークCURA-PPOを提案する。 本手法は,オンボードセンシングのみを用いて,乱雑な環境下での自律的な操作を実現するための実用的なソリューションを提供する。
  論文  参考訳（メタデータ） (2026-02-02T07:12:27Z)
• 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)
• Generalizing Safety Beyond Collision-Avoidance via Latent-Space Reachability Analysis [6.267574471145217]
  Hamilton-Jacobi (H) は、ロボットが安全でない状態を同時に検出し、アクションを生成するための厳格なフレームワークである。 生観測データを直接操作する潜在空間到達性であるLa Safety Filtersを提案する。
  論文  参考訳（メタデータ） (2025-02-02T22:00:20Z)
• Code-as-Monitor: Constraint-aware Visual Programming for Reactive and Proactive Robotic Failure Detection [56.66677293607114]
  オープンセットのリアクティブかつアクティブな障害検出のためのCode-as-Monitor(CaM)を提案する。 モニタリングの精度と効率を高めるために,制約関連エンティティを抽象化する制約要素を導入する。 実験により、CaMは28.7%高い成功率を達成し、厳しい乱れの下で実行時間を31.8%短縮することが示された。
  論文  参考訳（メタデータ） (2024-12-05T18:58:27Z)
• 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)
• 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。