論文の概要: BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control

• arxiv url: http://arxiv.org/abs/2609.23896v1
• Date: Sun, 20 Sep 2026 22:03:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-24 16:09:35.293835
• Title: BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control
• Title（参考訳）: BarrierFormer: 安全なロボット制御のためのトランスフォーマーガイド付き予測バリア
• Abstract要約: 制御障壁関数(CBF)は、安全クリティカルなロボット工学における状態制約を符号化し、強制するための最も一般的なツールの1つである。 BarrierFormerは、モデルフリーの安全なポリシーを学ぶ際に、ロールアウトレベルのCBF制約を符号化するバリア管理型トランスフォーマーフレームワークである。 BarrierFormerは、既存の強化学習(RL)ベース、拡散ベース、MPCベース、トランスフォーマーベースの安全率と推論遅延のアプローチよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.9116784879310025
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Control barrier functions (CBFs) have become one of the most popular tools for encoding and enforcing state constraints in safety-critical robotics. Standard CBF approaches are inherently myopic in nature as they enforce safety only at the current time step. Consequently, the system can be driven toward the boundary of the safe set where no feasible safe control exists at a future timestep. Model predictive control (MPC) based approaches address this by enforcing state constraints over a receding horizon. However, such approaches generally require the model to be known for solving a constrained optimization problem at every step, which is computationally expensive for real-time deployment. We propose BarrierFormer, a barrier-supervised transformer framework that addresses these limitations by encoding rollout-level CBF constraints in learning a model-free safe policy. A causal transformer encodes observation-action history, autoregressively generates a predictive rollout through the dynamics head to replace the model, and provides a residual correction to a nominal controller through the action head to replace the online computation. A barrier critic operating on local observations evaluates CBF constraint violations along this rollout, and a safety teacher computes barrier-consistent actions satisfying these constraints as direct supervision targets for the learned control policy. During inference, the policy maps observation-action history to control actions without any online optimization or model knowledge, enabling real-time model-free predictive safety enforcement. Evaluations across linear and nonlinear, 2D and 3D dynamical systems for safe goal-directed navigation demonstrate that BarrierFormer outperforms existing reinforcement learning (RL)-based, diffusion-based, MPC-based, and transformer-based approaches in safety rate and inference latency.
• Abstract（参考訳）: 制御障壁関数(CBF)は、安全クリティカルなロボット工学における状態制約を符号化し、強制するための最も一般的なツールの1つである。 標準CBFアプローチは、本質的には、現在のステップでのみ安全を強制するので、ミオピックである。 これにより、システムは、将来的なタイミングで、実現可能な安全な制御が存在しない安全なセットの境界に向かって駆動することができる。 モデル予測制御(MPC)に基づくアプローチは、後退する水平線上の状態制約を強制することでこの問題に対処する。 しかし、そのようなアプローチは一般に、リアルタイムデプロイメントに計算コストがかかる各ステップで制約付き最適化問題を解くために、そのモデルを知っておく必要がある。 モデルフリーの安全なポリシを学ぶ際に,ロールアウトレベルのCBF制約を符号化することで,これらの制約に対処するバリア管理型トランスフォーマーフレームワークであるBarrierFormerを提案する。 因果変換器は、観察行動履歴を符号化し、ダイナミックスヘッドを介して予測ロールアウトを自動回帰生成してモデルを置き換えるとともに、アクションヘッドを介して名目制御器に残留補正を行い、オンライン計算を置き換える。 このロールアウトに沿ってCBF制約違反を評価し、これらの制約を満たすバリア一貫性のある動作を学習制御方針の直接監督対象として算出する。 推論中、ポリシーは観察行動履歴をオンライン最適化やモデル知識を使わずに制御するようにマッピングし、リアルタイムのモデルフリー予測安全対策を可能にする。 安全目標指向ナビゲーションのための線形および非線形、2Dおよび3Dの動的システムに対する評価は、BarrierFormerが既存の強化学習(RL)ベース、拡散ベース、MPCベース、トランスフォーマーベースの安全率と推論遅延のアプローチより優れていることを示している。

関連論文リスト

• Safety-Guaranteed Imitation Learning from Nonlinear Model Predictive Control for Spacecraft Close Proximity Operations [39.146761527401424]
  本稿では,宇宙船近接制御のための安全保証型,実行時効率の模倣学習フレームワークを提案する。 安全証明書にはCBF(Control Barrier Functions)、安定性にはCLF(Control Lyapunov Functions)を活用しています。 実行時分析では、市販のオフザシェルフプロセッサでリアルタイムに実現可能であることを示し、安全クリティカルな軌道上サービスのためのオンボードデプロイメントをサポートする。
  論文  参考訳（メタデータ） (2026-03-19T13:47:18Z)
• Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles [0.0]
  本稿では,車両の動的安全境界制御のための応答認識型リスク制約制御バリア関数に基づく統合制御フレームワークを提案する。 このフレームワークは、制御勾配の基準方向を提供するために、名目力学と直接車体応答を融合する。 また、従来の決定論的安全制約をバリア関数誘導体のテールリスクに関する確率論的制約に再構成する。
  論文  参考訳（メタデータ） (2026-03-13T02:38:17Z)
• 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)
• V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions [8.042484673796137]
  V-OCBF(Value-Guided Offline Control Barrier Function)を導入する。 オフラインデモから完全にニューラルネットワークCBFを学習する。 基準法よりも安全性違反が著しく少ない。
  論文  参考訳（メタデータ） (2025-12-11T17:14:37Z)
• 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)
• 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)
• Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty [77.18483084440182]
  制御バリア関数(CBF)と制御リアプノフ関数(CLF)は、制御システムの安全性と安定性をそれぞれ強化するための一般的なツールである。 本稿では, CBF と CLF を用いた安全クリティカルコントローラにおいて, モデル不確実性に対処するためのガウスプロセス(GP)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-13T23:08:49Z)
• Reinforcement Learning for Safety-Critical Control under Model Uncertainty, using Control Lyapunov Functions and Control Barrier Functions [96.63967125746747]
  強化学習フレームワークは、CBFおよびCLF制約に存在するモデル不確実性を学ぶ。 RL-CBF-CLF-QPは、安全制約におけるモデル不確実性の問題に対処する。
  論文  参考訳（メタデータ） (2020-04-16T10:51:33Z)

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。