論文の概要: Online, Reachability-Aware, Sampling-Based Motion Planning

• arxiv url: http://arxiv.org/abs/2609.09073v1
• Date: Tue, 08 Sep 2026 17:27:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 14:55:31.901897
• Title: Online, Reachability-Aware, Sampling-Based Motion Planning
• Title（参考訳）: オンライン, 到達可能性を考慮したサンプリング型モーションプランニング
• Abstract要約: 提案手法は,コストのかかる事前計算ステップを必要とせずに,最先端のリーチビリティベースのプランナに類似した性能を実現する。 本手法は, 衝突のない実際のハードウェア実験において, レースシミュレーションにおいて安全違反を99%以上低減し, モデルレースカーを制御できることを実証する。
• 参考スコア（独自算出の注目度）: 15.579525714267158
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Sampling-Based Model-Predictive Control (MPC) algorithms are a flexible class of controllers used for navigation on a wide range of robotic systems. Historically, such approaches have lacked hard safety guarantees, a shortcoming which we remedy in this work by computing guaranteed reachable-set overapproximations online with a fast, interval-based pipeline. We show that our method achieves similar performance to a state-of-the-art reachability-based planner without the need for the expensive pre-computation step, and can be scaled to systems that are infeasible using existing approaches. Finally, we demonstrate that our technique reduces safety violations by over 99% in a racing simulation and successfully controls a model racecar on real hardware experiments without crashes.
• Abstract（参考訳）: サンプリングベースモデル予測制御(英: Smpling-Based Model-Predictive Control, MPC)アルゴリズムは、幅広いロボットシステムのナビゲーションに使用されるフレキシブルな制御系である。 歴史的に、このようなアプローチにはハードセーフティの保証が欠如しており、高速でインターバルベースのパイプラインでオンラインのリーチ可能セットオーバー近似を演算することで、この研究で私たちが解決した欠点がある。 提案手法は,コストのかかる事前計算ステップを必要とせずに,最先端のリーチビリティベースのプランナと同じような性能を実現し,既存のアプローチで実現不可能なシステムに拡張可能であることを示す。 最後に,本手法は,レースシミュレーションにおいて安全違反を99%以上削減し,クラッシュのない実ハードウェア実験において,モデルレースカーの制御に成功したことを実証する。

関連論文リスト

• 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)
• Learning Vision-Based Neural Network Controllers with Semi-Probabilistic Safety Guarantees [24.650302053973142]
  本稿では, 到達可能性解析と条件付き生成逆数ネットワークを統合した, 半確率的検証フレームワークを提案する。 次に, 新たな安全損失関数, 安全対応型データサンプリング戦略, カリキュラム学習を活用した勾配学習手法を提案する。 X-Plane 11航空機の着陸シミュレーション, CARLAシミュレーションによる自律走行車線, F110thレーンの視覚的に豊かなミニチュア環境下での実証実験により, 本手法の有効性が証明された。
  論文  参考訳（メタデータ） (2025-02-28T21:16:42Z)
• Estimating Control Barriers from Offline Data [14.241303913878887]
  本稿では、トレーニング前に収集した厳密なラベル付きデータセットを通じて、ニューラルCBFを学習するための新しいフレームワークを提案する。 オフラインデータの量は限られており、動的障害物回避のための最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-02-21T04:55:20Z)
• Tuning Legged Locomotion Controllers via Safe Bayesian Optimization [47.87675010450171]
  本稿では,ロボットハードウェアプラットフォームにおけるモデルベースコントローラの展開を効率化するための,データ駆動型戦略を提案する。 モデルフリーな安全な学習アルゴリズムを用いて制御ゲインのチューニングを自動化し、制御定式化で使用される単純化されたモデルと実システムとのミスマッチに対処する。
  論文  参考訳（メタデータ） (2023-06-12T13:10:14Z)
• In-Distribution Barrier Functions: Self-Supervised Policy Filters that Avoid Out-of-Distribution States [84.24300005271185]
  本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。 本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
  論文  参考訳（メタデータ） (2023-01-27T22:28:19Z)
• 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)
• Log Barriers for Safe Black-box Optimization with Application to Safe Reinforcement Learning [72.97229770329214]
  本稿では,学習時の安全性維持が不可欠である高次元非線形最適化問題に対する一般的なアプローチを提案する。 LBSGDと呼ばれるアプローチは、慎重に選択されたステップサイズで対数障壁近似を適用することに基づいている。 安全強化学習における政策課題の違反を最小限に抑えるためのアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-07-21T11:14:47Z)
• Networked Online Learning for Control of Safety-Critical Resource-Constrained Systems based on Gaussian Processes [9.544146562919792]
  本稿では,ガウス過程の回帰に基づく新しいネットワーク型オンライン学習手法を提案する。 本稿では,送信チャネルの帯域制限と時間遅延を考慮した,ローカルシステムとクラウド間の効率的なデータ伝送方式を提案する。
  論文  参考訳（メタデータ） (2022-02-23T13:12:12Z)
• 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)

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。