論文の概要: Learning from Demonstrations meets Symbolic Control - A Supervisory Control Architecture for Formal Certification of Learned Motion
- arxiv url: http://arxiv.org/abs/2610.19815v2
- Date: Thu, 15 Oct 2026 16:31:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-17 06:09:33.004757
- Title: Learning from Demonstrations meets Symbolic Control - A Supervisory Control Architecture for Formal Certification of Learned Motion
- Title（参考訳）: 実証から学ぶシンボリックコントロール -学習運動の形式的認証のための監督的制御アーキテクチャ
- Abstract要約: デモからの動的システム(DS)に基づく学習は柔軟なロボットの動きを生成する。
本稿では,フェールセーフなバックアッププランを自動生成するシンボリック・スーパーバイザリ制御アーキテクチャを提案する。
名目コントローラは学習したDSを追跡し、監督コントローラは安全性と目標収束を監視します。
- 参考スコア（独自算出の注目度）: 3.1955097539659167
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Dynamical system (DS)-based learning from demonstration generates flexible robot motions, but existing guarantees rely on certificate generation to obtain formal guarantees of safety and goal convergence. We propose a symbolic supervisory control architecture that automatically generates a fail-safe backup plan, certifying safety, reachability, and actuator feasibility directly from the robot's dynamics, independent of the learned DS. A nominal controller tracks the learned DS, while the supervisory controller monitors safety and target convergence, providing non-conservative intervention when the nominal controller violates necessary constraints. Experimental results include simulations and real robot deployment with various 2D and 3D datasets, including handwriting datasets, validating the effectiveness of our approach in providing formal guarantees with learned motion even in complex, dynamic environments.
- Abstract（参考訳）: デモからの動的システム(DS)に基づく学習は柔軟なロボットの動きを生成するが、既存の保証は安全と目標収束の正式な保証を得るために証明書の生成に依存している。
学習DSとは独立して,ロボットのダイナミクスから直接,安全,到達性,アクチュエータの実現性を証明し,フェールセーフなバックアッププランを自動生成するシンボリック・スーパーバイザリー制御アーキテクチャを提案する。
名目コントローラは学習したDSを追跡し、監督コントローラは安全性と目標収束を監視し、名目コントローラが必要な制約に違反した場合、非保守的介入を提供する。
実験結果には、手書きデータセットを含む様々な2Dおよび3Dデータセットによるシミュレーションと実際のロボット展開、複雑な動的環境においても学習動作による形式的保証を提供することによるアプローチの有効性を検証することが含まれる。
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) - Verifiable Foundation Models for Robot Safety [9.839166424557009]
FEARL(Foundation-Enabled Assured Robot Learning)は、モジュラーアーキテクチャの分解によってこの緊張に対処するフレームワークである。
FEARLは、このポリシーを、高次元の知覚とタスク推論に責任を持つ大きなコントローラ(C)と、専用の安全センサーから低次元の観測を受ける小さな安全モジュール(S)に分けている。
これにより、タスク推論のためのコントローラの表現力を維持しながら、既存のツールで正式な分析が行えるようになります。
論文 参考訳（メタデータ） (2026-06-22T03:10:51Z) - 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-SDL:Establishing Safety Boundaries and Control Mechanisms for AI-Driven Self-Driving Laboratories [18.300558114535992]
自動運転研究所(SDL)は、自律的な仮説生成、実験、分析が可能な閉ループ実験システムを作成する。
本稿では,ロバストな安全境界と制御機構を確立するための包括的フレームワークであるSafe-SDLを提案する。
論文 参考訳（メタデータ） (2026-02-13T12:42:48Z) - Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation [55.02966123945644]
本稿では,ニューラルネットワーク検証技術を利用して制御障壁関数(CBF)とポリシー修正機構の設計を行う階層型制御フレームワークを提案する。
提案手法は,安全なCBFベースの制御層を構築するために使用される,安全でない操作領域を特定するための確率的列挙に依存する。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でない動作を補正する提案手法の能力を実証するものである。
論文 参考訳（メタデータ） (2025-04-30T13:47:25Z) - Safe LLM-Controlled Robots with Formal Guarantees via Reachability Analysis [0.6749750044497732]
本稿では,Large Language Models (LLM) 制御ロボットを対象とした,データ駆動型リーチビリティ解析に基づく安全保証フレームワークを提案する。
我々のアプローチは、明示的な分析モデルに頼ることなく、安全でない行動に対する厳密な安全保証を提供する。
論文 参考訳（メタデータ） (2025-03-05T21:23:15Z) - In-Distribution Barrier Functions: Self-Supervised Policy Filters that
Avoid Out-of-Distribution States [84.24300005271185]
本稿では,任意の参照ポリシーをラップした制御フィルタを提案する。
本手法は、トップダウンとエゴセントリックの両方のビュー設定を含むシミュレーション環境における2つの異なるビズモータ制御タスクに有効である。
論文 参考訳（メタデータ） (2023-01-27T22:28:19Z) - 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) - Runtime Safety Assurance Using Reinforcement Learning [37.61747231296097]
本稿では,安全でない状況を高精度に識別できるメタコントローラを設計することを目的とする。
我々は,RTSAの設計をマルコフ決定プロセス(MDP)と組み合わせ,強化学習(RL)を用いて解決する。
論文 参考訳（メタデータ） (2020-10-20T20:54:46Z)
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。