論文の概要: VertexCBF: Improving Neural Control Barrier Functions via Vertex-Restricted Control Search
- arxiv url: http://arxiv.org/abs/2609.12831v1
- Date: Fri, 11 Sep 2026 13:24:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.7587
- Title: VertexCBF: Improving Neural Control Barrier Functions via Vertex-Restricted Control Search
- Title（参考訳）: VertexCBF:Vertex制限制御探索によるニューラルコントロールバリア機能の改善
- Abstract要約: 本稿では、スケーラブルで体系的で説明可能な方法でニューラルCBFを学習するためのフレームワークを提案する。
物理情報と疎教師付き学習を組み合わせたニューラルネットワークを用いて,定常ハミルトン-ヤコビ値関数を近似した。
本研究では,本手法を15のシステムで評価し,関連するベースラインと比較し,ベースラインが保守的あるいは完全に失敗する大規模な安全セットを確実に回収することを示した。
- 参考スコア（独自算出の注目度）: 2.7458654644827134
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As the number of autonomous robots continues to grow, safety becomes increasingly important. Control barrier functions (CBFs) provide a theoretically grounded framework for ensuring safety, but existing design methods often face limitations in effectiveness, scalability, or interpretability, and may result in overly conservative safe sets. In this paper, we propose \emph{VertexCBF}, a framework for learning neural CBFs in a scalable, systematic, and explainable way. We approximate the stationary Hamilton--Jacobi value function using a neural network trained via a combination of physics-informed and sparsely supervised learning. By exploiting control-affine dynamics and a convex polytope control set, under which the Hamiltonian is maximized at the control vertices, we efficiently generate supervision points via GPU-parallel vertex-restricted tree search, while a residual architecture guarantees that the learned CBF is never larger than the specified constraint function. We evaluate the method on 15 systems and compare it against relevant baselines, showing that it reliably recovers large safe sets where the baselines are conservative or fail completely. In addition, we perform a hardware experiment in which a mobile robot safely avoids pedestrians using a neural CBF trained with our method.
- Abstract（参考訳）: 自律ロボットの数は増え続けており、安全はますます重要になっている。
制御障壁関数(CBFs)は、安全を確保するための理論的基盤となるフレームワークを提供するが、既存の設計手法は、有効性、スケーラビリティ、解釈可能性の制限に直面することが多く、過度に保守的な安全なセットをもたらす可能性がある。
本稿では、スケーラブルで体系的で説明可能な方法でニューラルCBFを学習するフレームワークである \emph{VertexCBF} を提案する。
物理情報と疎教師付き学習を組み合わせたニューラルネットワークを用いて,定常ハミルトン-ヤコビ値関数を近似した。
制御頂点でハミルトニアンを最大化する凸多面体制御セットと制御-アフィンダイナミクスを利用することにより、GPU並列頂点制限木探索により監督点を効率的に生成する一方で、学習されたCBFが特定の制約関数よりも大きくなることが保証される。
本研究では,本手法を15のシステムで評価し,関連するベースラインと比較し,ベースラインが保守的あるいは完全に失敗する大規模な安全セットを確実に回収することを示した。
さらに,本手法を訓練したニューラルCBFを用いて,移動ロボットが歩行者を安全に回避するハードウェア実験を行った。
関連論文リスト
- CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments [2.7458654644827134]
動的環境下での安全なロボットナビゲーションのための,シンプルで効果的なニューラルネットワークCBF設計法を提案する。
我々は、複数の神経CBFを1つのCBFに結合する複合CBFの考え方を採用する。
個々のCBFはハミルトン-ヤコビ到達可能性フレームワークを介して訓練され、単一の移動障害物に対する最適安全セットを近似する。
論文 参考訳（メタデータ） (2026-03-06T22:44:10Z) - Scalable Verification of Neural Control Barrier Functions Using Linear Bound Propagation [50.53301323864253]
制御バリア関数 (CBF) は非線形動的制御システムの安全性を保証するための一般的なツールである。
本稿では,ニューラルネットワークがCBFとなるために必要な条件に対して,一方向に線形な上界と下界に基づいて,ニューラルCBFを検証するための新しい枠組みを提案する。
我々のアプローチは、CBFの最先端の検証手順よりも大きなニューラルネットワークにスケールする。
論文 参考訳（メタデータ） (2025-11-09T11:51:15Z) - ORN-CBF: Learning Observation-conditioned Residual Neural Control Barrier Functions via Hypernetworks [2.7458654644827134]
制御障壁関数 (CBF) は自律システムの安全クリティカル制御の有効な方法として実証されている。
ハミルトン・ヤコビ(HJ)の到達可能性解析に基づく観測条件付きニューラルCBFを提案する。
論文 参考訳（メタデータ） (2025-09-20T10:29:36Z) - Reachability Barrier Networks: Learning Hamilton-Jacobi Solutions for Smooth and Flexible Control Barrier Functions [5.846607930201535]
制御バリア関数(CBF)は、一般的な制御フレームワークに安全保証を付加する一般的な方法である。
物理インフォームドニューラルネットワーク(PINN)を用いて,ハミルトン・ヤコビ最適制御解の計算によりCBFのスムーズな近似を生成する。
我々は、RBNは低次元において非常に正確であり、高次元における標準的な神経CBFアプローチよりも安全であることを示した。
論文 参考訳（メタデータ） (2025-05-16T23:30:13Z) - 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) - 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) - 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) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳（メタデータ） (2021-11-22T15:38:11Z) - 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) - 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。