論文の概要: Context-dependent Runtime Construction of Safe Regions of Attraction from Design-Time Identification for Multi-Candidate Simplex Architectures
- arxiv url: http://arxiv.org/abs/2610.35040v2
- Date: Tue, 27 Oct 2026 21:00:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-30 22:39:27.500479
- Title: Context-dependent Runtime Construction of Safe Regions of Attraction from Design-Time Identification for Multi-Candidate Simplex Architectures
- Title（参考訳）: マルチCandidate Simplexアーキテクチャの設計時間同定による安全な領域のコンテキスト依存実行時構築
- Abstract要約: 古典的な制御戦略は安定性を提供するが、保守的であり、高度な最適化と学習ベースのコントローラは高い性能を達成するが、正式な検証はできない。
本稿では,テイラーモデルに基づく到達可能性解析の目標セットを確立するために,契約に基づく安定性を活用する2段階のRoA認証手法を提案する。
a) コンテキスト依存型安全なRoAのランタイム構築と(b) HA候補間の安全な証明により、リカバリを最適化し、未認証ハイパフォーマンス(HP)コントローラの動作エンベロープを最大化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deploying safety-critical cyber-physical systems requires control strategies that reconcile high performance and adaptability with rigorous safety guarantees. Classical control strategies offer stability proofs but are conservative, while advanced optimization- and learning-based controllers achieve high performance but lack formal verification. Runtime Assurance (RTA) architectures bridge this gap by introducing their own (dis-)advantages. Safety filters use online optimization and introduce chattering, while Simplex permissiveness is bounded by the tightness of the certified Region of Attraction (RoA) of its High-Assurance (HA) controller. Targeting this conservatism, we present a two-stage RoA certification procedure leveraging contraction-based stability to establish a target set for Taylor-model-based reachability analysis. We then treat the closed-loop system under HA control as a switched system, enabling: (a) runtime construction of context-dependent safe RoA and (b) safe switching between HA candidates to optimize recovery and maximize the operating envelope of the uncertified High-Performance (HP) controller. We validate this framework on a robotic path-tracking task using a three-stage evaluation: Ordinary Differential Equation (ODE) simulation for theoretical verification, high-fidelity Gazebo simulation under unmodeled dynamics, and experiments on physical hardware. Results show that the Simplex architecture maintains safety under fault injection and successfully shields a behavioral-cloning-trained HP controller. Crucially, the decision module introduces negligible overhead (0.028 ms average, 4.13 ms worst-case), consuming under 10 % of the control period.
- Abstract（参考訳）: 安全クリティカルなサイバー物理システムを展開するには、厳格な安全保証と高いパフォーマンスと適応性を調和させる制御戦略が必要である。
古典的な制御戦略は安定性の証明を提供するが、保守的であり、高度な最適化と学習に基づく制御は高い性能を達成するが、正式な検証はできない。
ランタイム保証(RTA)アーキテクチャは、独自の(非)アドバンテージを導入することで、このギャップを埋める。
安全フィルタは、オンライン最適化とチャットの導入を行うが、Simplexの許容性は、ハイアシュアランス(HA)コントローラの認証されたアトラクション領域(RoA)の厳密性によって制限される。
この保守主義を目標とし,テイラーモデルに基づく到達可能性分析のための目標セットを確立するために,縮退に基づく安定性を活用する2段階のRoA認証手順を提案する。
次に、HA制御の下で閉ループ系を切替系として扱う。
a) コンテキスト依存型安全なRoAとランタイムの構築
b) HA候補間の安全なスイッチングを行い、リカバリを最適化し、未認証ハイパフォーマンス(HP)コントローラの動作エンベロープを最大化する。
理論的検証のための正規微分方程式 (ODE) シミュレーション, モデリングされていない動的条件下での高忠実なガゼボシミュレーション, 物理ハードウェアの実験である。
その結果,Simplexアーキテクチャはフォールトインジェクション下での安全性を維持し,動作停止訓練されたHPコントローラのシールドに成功した。
決定モジュールは無視可能なオーバーヘッド(平均0.028ms、最悪のケース4.13ms)を導入し、制御期間の10%未満を消費する。
関連論文リスト
- Safe Ergodic Control for Multi-Robot Systems via Quadratic Programming [8.512867189292056]
エルゴディック制御は、ロボットが関心の分布に比例して各地域で時間を過ごすように促す。
既存の安全なエルゴードコントローラは、オフラインの客観的最適化や階層アーキテクチャに依存している。
本稿では、エルゴディディティと安全性を両立させる2次プログラミング(QP)ベースの制御器を提案する。
論文 参考訳（メタデータ） (2026-10-04T14:30:04Z) - Memory-Efficient Meta-Reinforcement Learning for Adaptive Safety-Critical Control in Adversarial Spacecraft Proximity Operations [42.47287159687486]
本稿では,3つの繰り返しネットワークアーキテクチャ (LSTM, Gated Recurrent Unit (GRU), Selective State Space Model (Mamba)) と2つのトレーニングアルゴリズム (Proximal Policy Optimization (PPO) とSoft Actor Critic (SAC)) の性能を調べた。
以上の結果から, PPOを用いた場合のMambaのような状態空間モデルは, 他のアーキテクチャと比較して, タスク完了, 安全性, 省エネ性が優れていることが示唆された。
論文 参考訳（メタデータ） (2026-06-16T01:53:54Z) - 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) - 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) - CARE: Decoding Time Safety Alignment via Rollback and Introspection Intervention [68.95008546581339]
Contrastive Decodingのような既存のデコーディングタイムの介入は、安全と応答品質の間に深刻なトレードオフを強いることが多い。
本稿では,3つの重要なコンポーネントを統合した,復号時安全アライメントのための新しいフレームワークであるCAREを提案する。
このフレームワークは、安全性、品質、効率のバランスが良く、有害な応答率が低く、ユーザエクスペリエンスを最小限に破壊できる。
論文 参考訳（メタデータ） (2025-09-01T04:50:02Z) - CaRT: Certified Safety and Robust Tracking in Learning-based Motion
Planning for Multi-Agent Systems [7.77024796789203]
CaRTは、学習ベースのモーションプランニングポリシーの安全性と堅牢性を保証するために、新しい階層的な分散アーキテクチャである。
定性障害や有界障害があっても,CaRTは軌道追跡誤差の安全性と指数関数性を保証する。
本稿では, 非線形動作計画と制御問題のいくつかの例において, CaRTの有効性を実証する。
論文 参考訳（メタデータ） (2023-07-13T21:51:29Z) - 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) - Closing the Closed-Loop Distribution Shift in Safe Imitation Learning [80.05727171757454]
模倣学習問題において,安全な最適化に基づく制御戦略を専門家として扱う。
我々は、実行時に安価に評価でき、専門家と同じ安全保証を確実に満足する学習されたポリシーを訓練する。
論文 参考訳（メタデータ） (2021-02-18T05:11:41Z) - 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。