論文の概要: Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance

• arxiv url: http://arxiv.org/abs/2609.20435v1
• Date: Thu, 17 Sep 2026 14:12:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.313794
• Title: Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance
• Title（参考訳）: 安全クリティカルな動的障害物回避のための時間効率反復学習計画
• Abstract要約: 本稿では、予測リスクブレンド制御バリア機能(ARB-CBF)を統合することにより、動的環境における安全クリティカルなナビゲーションに反復学習計画(ILP)を拡張する。 総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインに比べて計算オーバーヘッドが低く、時間効率と安全性が優れていることが証明された。
• 参考スコア（独自算出の注目度）: 49.35246226163005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Autonomous mobile robots require timeefficient planning and safety-critical dynamic obstacle avoidance under constrained onboard computation. While Iterative Learning Planning (ILP) offers lightweight and efficient traversal planning, it lacks explicit mechanisms for dynamic obstacle perception and avoidance. This article extends ILP to safety-critical navigation in dynamic environments by integrating an anticipatory risk-blended control barrier function (ARB-CBF). The extended ILP learns traversal-speed and steering-bias profiles via a fractionalpower update based on local obstacle risk, generating nominal control commands that ARB-CBF modifies at runtime for real-time safety guarantees. Algorithmic analysis demonstrates that the ILP replanning stage scales at O(kN) for k iterations and N waypoints, while ARB-CBF executes with linear complexity. Comprehensive simulations and real-world experiments validate the framework, demonstrating superior temporal efficiency and safety with lower computational overhead compared to optimizationbased baselines, making it highly suitable for resourceconstrained platforms.
• Abstract（参考訳）: 自律移動ロボットは、制約されたオンボード計算の下で、時間効率の計画と安全クリティカルな動的障害物回避を必要とする。 イテレーティブ・ラーニング・プランニング(ILP)は軽量で効率的なトラバース・プランニングを提供するが、動的な障害物認識と回避のための明確なメカニズムは欠如している。 本稿では、予測リスクブレンド制御障壁関数(ARB-CBF)を統合することにより、動的環境における安全クリティカルナビゲーションへのILPの拡張を行う。 拡張ILPは、局所障害リスクに基づいた分数パワー更新を通じて、トラバース速度とステアリングバイアスプロファイルを学習し、リアルタイム安全保証のために実行時に修正される名目制御コマンドを生成する。 アルゴリズム解析により、ILB-CBFは線形複雑度で実行されているのに対し、ILP再計画段階は k 反復と N ウェイポイントに対して O(kN) でスケールすることを示した。 総合的なシミュレーションと実世界の実験により、最適化ベースのベースラインよりも計算オーバーヘッドの少ない時間効率と安全性が向上し、リソース制約のあるプラットフォームに非常に適している。

関連論文リスト

• World Models as Adversaries: Multi-Agent Self-Play Fine-Tuning for Robust Motion Planning [60.88859946006306]
  Adversa World Modeling(英語版)は理論上基礎を成すマルチエージェント・セルフプレイ・ファインチューニングフレームワークである。 内的最小化においては、プランナーの予測世界モデルは、スパースでシーン適応的なアタック・アタック・アライアンスを学ぶロール条件の敵に変換される。 nuPlan と InterPlan のベンチマーク実験により,本手法が伝達可能な対角相互作用を生成することを示す。
  論文  参考訳（メタデータ） (2026-07-12T07:44:16Z)
• Occluding the Solution Space: Planner-Agnostic Adversarial Attacks on Tolerance-Aware Manipulation [57.9825059129472]
  本稿では, 耐障害性を考慮したアタック・フレームワークを提案する。 提案手法は,評価パラダイムを目標領域を越えたタスクレベルの実現性にシフトする。 オンラインでは、この攻撃を最大カバレッジ最適化の予算として定式化しています。
  論文  参考訳（メタデータ） (2026-07-04T08:14:44Z)
• Learning Predictive Control with Deep Koopman Operators for Autonomous Vehicle Motion Planning [11.149068950974113]
  モデル予測制御(MPC)は自律走行車(AV)運動計画に広く用いられているが、リアルタイム適用性は限られている。 Actor-criticは動的道路環境における非線形学習問題に対するオンラインソリューションを提供する。 本稿では、効率的なリアルタイム動作制御のためのディープ・クープマン演算子を用いたフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-06T12:26:21Z)
• 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)
• Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
  ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。 本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
  論文  参考訳（メタデータ） (2024-02-04T15:54:03Z)
• Evaluating Model-free Reinforcement Learning toward Safety-critical Tasks [70.76757529955577]
  本稿では、国家安全RLの観点から、この領域における先行研究を再考する。 安全最適化と安全予測を組み合わせた共同手法であるUnrolling Safety Layer (USL)を提案する。 この領域のさらなる研究を容易にするため、我々は関連するアルゴリズムを統一パイプラインで再現し、SafeRL-Kitに組み込む。
  論文  参考訳（メタデータ） (2022-12-12T06:30:17Z)
• Imitation Learning for Robust and Safe Real-time Motion Planning: A Contraction Theory Approach [9.35511513240868]
  LAG-ROSは、境界外乱によって乱される安全臨界非線形システムのリアルタイムロバストな動作計画アルゴリズムである。 LAG-ROSはリアルタイム計算のためのより速い実行の速度のより高い制御性能そしてタスクの成功率を達成します。
  論文  参考訳（メタデータ） (2021-02-25T03:47:15Z)
• 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。