論文の概要: LEAP-CBF: A Safety Filter for Uncertain Systems with Least-Effort Adversarial Potentials

• arxiv url: http://arxiv.org/abs/2609.28364v1
• Date: Wed, 23 Sep 2026 16:36:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.12283
• Title: LEAP-CBF: A Safety Filter for Uncertain Systems with Least-Effort Adversarial Potentials
• Title（参考訳）: LEAP-CBF: 最小回避確率をもつ不確実なシステムの安全フィルタ
• Abstract要約: LEAP(Last-Effort Adversarial Potentials)は、ある状態の障害に対する堅牢性を定量化する証明書である。 LEAPは乱れのないシステムのためのCBFであるが、累積的な労力が制限された障害に対して堅牢な安全フィルタを構築するためにも使用できることを示す。
• 参考スコア（独自算出の注目度）: 21.784743238661207
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control barrier functions (CBF) are a popular safety filter to ensure safety for nonlinear dynamical systems. However, when the system is subject to uncertainties and disturbances, this requires the use of robust variants of CBFs, which can be difficult to construct and can be overly conservative, especially for high-dimensional systems under input constraints. In this work, we propose a new approach to solve these challenges by introducing Least-Effort Adversarial Potentials (LEAP), a certificate that quantifies the robustness of a given state against disturbances in terms of the effort required by the disturbance to cause failure. We show that LEAP is a CBF for the undisturbed system, but can also be used to construct a safety filter that is robust to disturbances whose cumulative effort is bounded. We propose a method for constructing LEAPs with on-policy deep reinforcement learning. Next, we demonstrate LEAPs in simulation on a variety of multi-agent systems with disturbances and uncertainties. Finally, hardware experiments on a quadruped and quadrotors validate that LEAPs are well suited to tackle the disturbances and uncertainties from real-world robotic systems.
• Abstract（参考訳）: 制御障壁関数 (CBF) は非線形力学系の安全性を確保するための一般的な安全フィルタである。 しかし、システムが不確実性や乱れにさらされている場合、特に入力制約下での高次元システムにおいて、構築が困難で過度に保守的であるCBFの堅牢な変種を使用する必要がある。 本研究では,障害発生に要する労力の観点から,障害に対する与えられた状態の堅牢性を定量化する証明書であるLeast-Effort Adversarial Potentials (LEAP)を導入することで,これらの課題を解決するための新たなアプローチを提案する。 LEAPは乱れのないシステムのためのCBFであるが、累積的な労力が制限された障害に対して堅牢な安全フィルタを構築するためにも使用できることを示す。 そこで本稿では,リアルタイムの強化学習によるLEAP構築手法を提案する。 次に、障害や不確実性のある多エージェントシステムのシミュレーションにおいてLEAPを実証する。 最後に、四足歩行と四足歩行のハードウェア実験は、LEAPが現実世界のロボットシステムの障害や不確実性に対処するのに適していることを検証する。

関連論文リスト

• Synthesis and Deployment of Maximal Robust Control Barrier Functions through Adversarial Reinforcement Learning [4.062182903323153]
  境界不確実性下での一般非線形システムのための新しい頑健なCBFフレームワークを提案する。 まず、動的プログラミングのアイザック方程式を解く安全値関数は、最大ロバストな安全集合に対する安全性を強制する有効なロバストな離散時間CBFであることを示す。 次に、バリア証明書を状態-作用空間に持ち上げることにより、明示的なダイナミクスの必要性を解消する、品質関数(RL)の重要な強化学習概念を採用する。
  論文  参考訳（メタデータ） (2026-04-14T18:16:17Z)
• Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems [40.270309876786776]
  マルチエージェント安全フレームワークとして構造化制御バリア関数(s-CBF)を導入する。 提案手法は、パーミッシブで形式的なプラグアンドプレイプロトコルを実現する。 ミニチュアレースカー小隊のシミュレーションおよび実時間実験による定式化の検証を行った。
  論文  参考訳（メタデータ） (2026-03-31T10:38:22Z)
• 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)
• Input-to-State Safe Backstepping: Robust Safety-Critical Control with Unmatched Uncertainties [18.29294248332071]
  本稿では,不整合障害を有する非線形システムの安全クリティカル制御に対する建設的アプローチを提案する。 まず、これらの不確実性のあるシステムに対する入出力安全性(ISSf)フレームワークの一般化について述べる。 次に、不一致な2種類のシステムに対してISSf-CBFを構築する手順を概説する。
  論文  参考訳（メタデータ） (2026-02-03T16:09:36Z)
• 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)
• 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)
• Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments [84.3830478851369]
  本研究では,環境を協調的に学習し,制御ポリシーを最適化する安全な強化学習手法を提案する。 本手法は, 安全性の制約を効果的に適用し, シミュレーションにより測定したシステム安全率においてCMDPベースのベースライン法を著しく上回っている。
  論文  参考訳（メタデータ） (2022-09-29T20:49:25Z)
• 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)

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。