論文の概要: Neural Barriers: An Online Certifiable Learning-enhanced Adaptive High Order Safety Critical Control

• arxiv url: http://arxiv.org/abs/2610.05542v1
• Date: Sun, 04 Oct 2026 21:13:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 13:09:32.112264
• Title: Neural Barriers: An Online Certifiable Learning-enhanced Adaptive High Order Safety Critical Control
• Title（参考訳）: Neural Barriers: オンライン認定学習用適応型高次安全臨界制御
• Abstract要約: 本稿では,オンライン学習により強化されたロバスト適応制御バリア関数を提案する。 ニューラルODEを用いて外乱に適応し、その適応不確かさを共形予測で定量化する。 我々のアプローチは、未知の時間変化モデル障害の下で常に安全を保証します。
• 参考スコア（独自算出の注目度）: 5.329725230863642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Control barrier functions are an effective model-based tool to formally certify the safety of a system. However, transferring their theoretical guarantees to real-world robotics systems requires high model fidelity. For example, payloads or wind disturbances can cause significant model perturbations to an aerial vehicle, leading to safety compromises. In this work, we propose a certifiable online learning-enhanced robust adaptive control barrier function, which adapts to disturbances using a Neural ODE and quantifies its adaptation uncertainty with conformal prediction. Our approach guarantees safety at all time under unknown time-varying model disturbances. It adopts a conservative strategy when the adaptation uncertainty is high; and efficiently adapts to reduce controller conservativeness as it receives more data. Our approach provides a provable safety guarantee with a probability bound under suitable Lipschitz smoothness assumptions on the underlying model and trajectory. These results demonstrate the potential of our method as a practical safety controller for robotics system operating under model perturbations.
• Abstract（参考訳）: 制御バリア関数は、システムの安全性を正式に認定するための効果的なモデルベースのツールである。 しかし、理論上の保証を現実世界のロボットシステムに移すには、高いモデルの忠実さが必要である。 例えば、ペイロードや風の乱れは、航空機に対する重要なモデル摂動を引き起こし、安全上の妥協につながる可能性がある。 本研究では,ニューラルネットワークによる障害に適応し,適応の不確かさを共形予測で定量化する,オンライン学習強化型頑健な適応制御バリア関数を提案する。 我々のアプローチは、未知の時間変化モデル障害の下で常に安全を保証します。 適応の不確実性が高ければ保守的戦略を採用し、より多くのデータを受け取ると、コントローラの保守性を減らすために効率的に適応する。 提案手法は、下層のモデルと軌道に対する適切なリプシッツ滑らか性仮定の下で、確率が有界な証明可能な安全保証を提供する。 これらの結果は,モデル摂動下で動作するロボットシステムのための実用安全制御装置としての本手法の可能性を示すものである。

関連論文リスト

• Certifiable Safe Model-Based Reinforcement Learning with Control-Affine Dynamics Approximation [11.94839946640942]
  本稿では,データ駆動型安全ポリシーを用いて制御-アフィンダイナミクスを学習する安全な強化学習フレームワークを提案する。 カートポールと3次元四重極板のシミュレーション結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2026-07-17T20:45:28Z)
• 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)
• Safely Learning Controlled Stochastic Dynamics [61.82896036131116]
  システム力学の安全な探索と効率的な推定を可能にする手法を提案する。 学習後、学習モデルはシステムのダイナミクスの予測を可能にし、任意の制御の安全性検証を可能にする。 我々は、真の力学のソボレフ正則性を高めることにより、安全性と適応学習率の向上を理論的に保証する。
  論文  参考訳（メタデータ） (2025-06-03T11:17:07Z)
• ISAACS: Iterative Soft Adversarial Actor-Critic for Safety [0.9217021281095907]
  この研究は、ロボットシステムのための堅牢な安全維持コントローラのスケーラブルな合成を可能にする新しいアプローチを導入する。 安全を追求するフォールバックポリシーは、モデルエラーの最悪のケースの実現を促進するために、敵の「混乱」エージェントと共同で訓練される。 学習した制御ポリシーは本質的に安全性を保証するものではないが、リアルタイムの安全フィルタを構築するために使用される。
  論文  参考訳（メタデータ） (2022-12-06T18:53:34Z)
• 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)
• ProBF: Learning Probabilistic Safety Certificates with Barrier Functions [31.203344483485843]
  制御バリア関数は、地平系力学にアクセスできれば安全を保証できる便利なツールである。 実際には、システムダイナミクスに関する不正確な知識があるため、安全でない振る舞いにつながる可能性があります。 本手法の有効性をSegwayとQuadrotorのシミュレーション実験により示す。
  論文  参考訳（メタデータ） (2021-12-22T20:18:18Z)
• Learning Robust Hybrid Control Barrier Functions for Uncertain Systems [68.30783663518821]
  我々は,ロバストな安全を確保する制御則を合成する手段として,ロバストなハイブリッド制御障壁関数を提案する。 この概念に基づき,データからロバストなハイブリッド制御障壁関数を学習するための最適化問題を定式化する。 我々の技術は、モデル不確実性の対象となるコンパス歩行歩行者の魅力領域を安全に拡張することを可能にする。
  論文  参考訳（メタデータ） (2021-01-16T17:53:35Z)

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。