論文の概要: LBA-CBF: Rapidly Adaptive Safety Filters via Parallel Dynamics Inference

• arxiv url: http://arxiv.org/abs/2610.08765v1
• Date: Tue, 06 Oct 2026 17:51:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.158559
• Title: LBA-CBF: Rapidly Adaptive Safety Filters via Parallel Dynamics Inference
• Title（参考訳）: LBA-CBF:並列ダイナミクス推論による高速適応型安全フィルタ
• Abstract要約: 我々はLBA-CBF(Look-Back Adaptive Control Barrier Function)を提案する。 LBA-CBFは、短いルックバックウィンドウ上での最近の予測誤差によって、候補力学の有限バンクをランク付けする。 ベストの許容範囲内のすべてのモデルに対して高次CBF条件を強制する。
• 参考スコア（独自算出の注目度）: 13.351988435060528
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Control barrier functions (CBFs) certify commands through an assumed dynamics model, so an abrupt, unmeasured regime change can undermine the certificate exactly when safety matters most. We present Look-Back Adaptive Control Barrier Functions (LBA-CBF), which rank a finite bank of candidate dynamics by recent prediction error over a short look-back window and enforce the high-order CBF condition against every model within a tolerance of the best, spanning best-fit adaptation to full-bank robust filtering. The dynamics may depend nonlinearly on the unknown parameters, and no switching model or continuously parameterized estimator is required. We prove that any feasible filtered input satisfies the true CBF condition whenever a safety-representative candidate is retained. In quadrotor simulation with abrupt wind reversals and an unknown payload, LBA-CBF is safe and reaches the goal from all random initial conditions, matching an oracle, while adaptive and robust baselines achieve 0-88% success. Banks of up to 250,000 models run inside the control loop, and Crazyflie 2.1 and F1TENTH experiments demonstrate adaptation to wind, payload release, and varying tire-road friction. Code, videos, and project details are available at: https://lla-control.github.io
• Abstract（参考訳）: 制御バリア関数(CBF)は、仮定されたダイナミクスモデルを通じてコマンドを認証するので、緊急かつ未測定な体制変更は、安全が最重要事項である場合に、その証明書を正確に損なう可能性がある。 本稿では,LBA-CBF(Look-Back Adaptive Control Barrier Function)を提案する。この関数は,最近の予測誤差によって候補力学の有限バンクをランク付けし,最良モデルの許容範囲内における高次CBF条件をフルバンクロバストフィルタに適用する。 ダイナミクスは未知のパラメータに非線形に依存する可能性があり、スイッチングモデルや連続パラメータ化推定器は不要である。 安全表現候補が保持された場合に、フィルタ可能な入力が真のCBF条件を満たすことが証明される。 急激な風逆転と未知のペイロードによる四角形シミュレーションでは、LBA-CBFは安全であり、全てのランダムな初期条件からゴールに達し、オラクルと一致し、適応的でロバストなベースラインは0-88%の成功を達成する。 最大25万台のバンクが制御ループ内を走行し、クラジフリー2.1とF1TENTHの実験では風への適応、ペイロードの放出、タイヤと道路の摩擦の変化が示されている。 コード、ビデオ、プロジェクトの詳細は、https://lla-control.github.ioで確認できる。

関連論文リスト

• Predicted-Flow Control Barrier Functions for Real-Time Safe Optimal Control [0.0]
  制御障壁関数(CBF)は、状態のポイントワイズ条件を通じてリアルタイムの安全保証を提供する。 本稿では,予測フロー制御バリア関数(P-CBF)を紹介する。 安全のために、P-CBFは予測フローが予測水平線全体にわたって安全なセットにあることを証明できる。
  論文  参考訳（メタデータ） (2026-05-29T19:27:24Z)
• Robust Koopman Control Barrier Filters for Safe Actor-Critic Reinforcement Learning [0.0]
  本研究では,データから有限次元クープマン予測器を学習する安全フィルタ型アクター批判フレームワークを提案する。 この手法は、制約のないSACリターンをマッチングまたは超過しながら、CartPoleの安定化とトラッキングに対する制約違反をゼロにする。 これらの結果から,ロバストなクープマン-CBFフィルタはモデルレスRLと証明可能な安全性の間に有望な橋渡しとなることが示唆された。
  論文  参考訳（メタデータ） (2026-05-26T02:02:40Z)
• Selective Safety Steering via Value-Filtered Decoding [54.87935112120107]
  大型言語モデル(LLM)は人間の価値観に合わせるように訓練されているが、その世代は安全上の制約に反する可能性がある。 既存のデコード時のステアリング手法は、しばしば不要に介入し、ベースモデルの下で安全であった世代を変更する。 安全でない応答の安全性を向上しつつ、そのような不要な介入を減らすための新しいテストタイムステアリング手法を提案する。
  論文  参考訳（メタデータ） (2026-05-14T12:13:08Z)
• Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters [18.386652442201665]
  本稿では,ロバストで信頼性の高い層状安全フィルタを構築するための汎用的なエンドツーエンドフレームワークを提案する。 ロボット中心の点雲が与えられた場合、我々は、ポアソン安全関数(PSF)を合成するために使用される占有マップを構築することから始める。 PSFは2つの異なる安全濾過段階において制御バリア機能(CBF)として使用される。
  論文  参考訳（メタデータ） (2026-02-27T22:19:45Z)
• 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)
• 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)
• Safe and Efficient Reinforcement Learning Using Disturbance-Observer-Based Control Barrier Functions [5.571154223075409]
  本稿では、外乱オブザーバ(DOB)と制御バリア機能(CBF)を用いた安全かつ効率的な強化学習(RL)手法を提案する。 本手法はモデル学習を伴わず,DOBを用いて不確実性のポイントワイド値を正確に推定し,安全行動を生成するための頑健なCBF条件に組み込む。 提案手法は,CBFとガウス過程に基づくモデル学習を用いて,最先端の安全なRLアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-11-30T18:49:53Z)
• 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)
• 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。