論文の概要: Capability-Conditioned Graph Control Barrier Functions for Zero-Shot Safe Navigation of Heterogeneous Mobile Robot Teams
- arxiv url: http://arxiv.org/abs/2610.41214v1
- Date: Fri, 30 Oct 2026 03:52:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.60925
- Title: Capability-Conditioned Graph Control Barrier Functions for Zero-Shot Safe Navigation of Heterogeneous Mobile Robot Teams
- Title（参考訳）: 不均質移動ロボットのゼロショット安全ナビゲーションのための機能制約付きグラフ制御バリア機能
- Abstract要約: マルチロボットシステムは、様々なキネマティックおよびアクティベーション能力を持つ異種艦隊としてますます展開されている。
本稿では,共有2次参照点演算空間で定義された機能制約付き不均一グラフ制御バリア関数 (CC-HGCBF) を提案する。
我々は、積極的に安全ラベル付けと神経CBF-QP監視を用いてバリアとポリシーを共同で訓練し、見知らぬロボットモデルと見えないロボットモデルの両方を含む混合チームでそれらを評価する。
- 参考スコア（独自算出の注目度）: 18.772596708199
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-robot systems are increasingly deployed as heterogeneous fleets with diverse kinematic and actuation capabilities. While graph control barrier function (GCBF) methods provide a scalable framework for decentralized safe control, existing approaches typically assume homogeneous robot dynamics. Methods that directly encode robot classes can distinguish known types, but do not represent state-dependent motion capabilities or naturally transfer to unseen robot models. To address this challenge, we propose the Capability-Conditioned Heterogeneous Graph Control Barrier Function (CC-HGCBF), defined in a shared second-order reference-point operational space. This formulation provides a common geometric representation of safety across heterogeneous robots while retaining their model-specific dynamics and admissible control constraints. To enable zero-shot transfer, we introduce the Radial Capability Field (RCF), a compact, fixed-dimensional representation of each robot's state-dependent finite-horizon reachable velocity set. Conditioning the shared graph barrier and decentralized policy on the RCF enables them to adapt to changes in robot state, kinematic constraints, and control limits without relying on predefined robot identities. We jointly train the barrier and policy using proactive safety labeling and neural CBF-QP supervision, and evaluate them on mixed teams containing both seen and unseen robot models. Experiments demonstrate scalable safe coordination and zero-shot transfer to robot models and capability variations withheld during training. Physical-robot experiments further demonstrate zero-shot deployment to unseen kinematic models without retraining.
- Abstract（参考訳）: マルチロボットシステムは、様々なキネマティックおよびアクティベーション能力を持つ異種艦隊としてますます展開されている。
グラフ制御障壁関数 (GCBF) 法は分散化された安全な制御のためのスケーラブルなフレームワークを提供するが、既存の手法は一般に同質なロボット力学を前提としている。
ロボットのクラスを直接コードする手法は、既知の型を識別できるが、状態に依存した動作能力や、見えないロボットモデルへの自然な移動を表現しない。
この課題に対処するため、我々は、共有2階参照点演算空間で定義された容量制約不均一グラフ制御バリア関数(CC-HGCBF)を提案する。
この定式化は、モデル固有の力学と許容可能な制御制約を維持しながら、異種ロボット間での安全性の共通の幾何学的表現を提供する。
ゼロショット転送を実現するため、各ロボットの状態依存有限水平到達速度のコンパクトかつ固定次元表現であるラジアルキャパビリティフィールド(RCF)を導入する。
RCF上で共有グラフバリアと分散ポリシーを条件にすることで、事前に定義されたロボットのアイデンティティに頼ることなく、ロボットの状態、運動的制約、制御限界の変化に適応することができる。
我々は、積極的に安全ラベル付けと神経CBF-QP監視を用いてバリアとポリシーを共同で訓練し、見知らぬロボットモデルと見えないロボットモデルの両方を含む混合チームでそれらを評価する。
実験では、ロボットモデルへのスケーラブルな安全な調整とゼロショット転送と、トレーニング中に保持される能力のバリエーションが示されている。
物理ロボット実験は、再訓練することなく、未知のキネマティックモデルへのゼロショット展開をさらに実証する。
関連論文リスト
- Density-Driven Area Coverage for Nonholonomic Multi-Robot Systems with Safety Guarantee [0.0]
密度駆動最適制御(D2OC)は、非一様空間分布上に複数のロボットチームを分散する原理的なアプローチを提供する。
非ホロノミックロボットにD2OCを適用すると、参照動作に課される安全制約と実際のロボットの動きを決定する物理的な入力の間にギャップが生じる。
本稿では,ロボットの物理的入力に直接安全制約を課し,密度駆動型カバレッジの目標を保ちながらこの問題に対処する。
論文 参考訳（メタデータ） (2026-09-19T00:56:40Z) - AffordanceWAM: Affordance-Aware Joint World-Action Modeling for Robot Manipulation [61.436480565887905]
汎用的なロボット操作は、シーンがどのように進化するかを予測する必要がある。
アクションラベル付きロボットビデオは、直接制御を監督するが、コストが高く、多様性に制限がある。
本稿では,Scalr Affordance と Affordance Heatmap によるオブジェクトの空き時間を表す,空き時間を考慮した World Action Model を提案する。
論文 参考訳（メタデータ） (2026-09-16T14:07:06Z) - Safe Multi-Robot Coordination via VLM-LLM Reasoning and Reachability Analysis [39.499082381148035]
異種移動ロボットチームにおける協調目標指向ナビゲーションのための安全対応型M2Mフレームワークを提案する。
目的は、静的および動的障害を避けながら、両方のプラットフォームを目標領域に導くことである。
論文 参考訳（メタデータ） (2026-08-18T12:52:54Z) - Simulation-Informed Diffusion for Decentralized Multi-robot Motion Planning [56.240199425429445]
マルチロボットモーションプランニングでは、各ロボットが局所的な観測から衝突のない軌道を生成する必要がある。
既存のほとんどのプランナは、ローカル観測の静的スナップショットからトラジェクトリを生成する。
本稿では,制約対応拡散モデルに基づく分散フレームワークであるSimulation-Informed Diffusion (SID)を紹介する。
論文 参考訳（メタデータ） (2026-05-26T21:17:53Z) - Safety-Critical Whole-Body Control for Humanoid Robots via Input-to-State Safe Control Barrier Functions [6.59514190732471]
本稿では,ヒューマノイドロボットのための階層型安全クリティカル全身制御フレームワークを提案する。
提案アーキテクチャは,キネマティック・ボディー・コントローラ(KinWBC),ISSf-CBFセーフティフィルタ,ダイナミック・ボディー・コントローラ(DynWBC)を統合している。
論文 参考訳（メタデータ） (2026-05-25T08:02:30Z) - Capability-Aware Heterogeneous Control Barrier Functions for Decentralized Multi-Robot Safe Navigation [19.794822517328654]
既存の分散化手法では、ロボットの同質性を仮定し、異種エージェント間で共有された安全要件を不均一に解釈する。
本稿では、一貫した安全対策と機能意識調整のための分散型フレームワークであるCA-HCBF(Capability-Aware Heterogeneous Control Barrier Function)を提案する。
論文 参考訳（メタデータ） (2026-04-14T19:21:46Z) - Bridging Embodiment Gaps: Deploying Vision-Language-Action Models on Soft Robots [5.993870098970107]
VLA(Vision-Language-Action)モデルは、実際のロボットのための言語ガイド付き汎用制御フレームワークとして提案されている。
本稿では,VLAモデルのソフト連続マニピュレータへの展開について述べる。
論文 参考訳（メタデータ） (2025-10-20T10:06:39Z) - 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) - Exploring the Adversarial Vulnerabilities of Vision-Language-Action Models in Robotics [68.36528819227641]
本稿では,ビジョン・ランゲージ・アクション(VLA)モデルのロバスト性を体系的に評価する。
本研究では,ロボット行動の不安定化に空間的基盤を活用する2つの未目標攻撃目標と,ロボット軌道を操作する目標攻撃目標を導入する。
我々は、カメラの視野に小さなカラフルなパッチを配置し、デジタルと物理の両方の環境で効果的に攻撃を実行する逆パッチ生成アプローチを設計する。
論文 参考訳（メタデータ） (2024-11-18T01:52:20Z) - SABER: Data-Driven Motion Planner for Autonomously Navigating
Heterogeneous Robots [112.2491765424719]
我々は、データ駆動型アプローチを用いて、異種ロボットチームをグローバルな目標に向けてナビゲートする、エンドツーエンドのオンラインモーションプランニングフレームワークを提案する。
モデル予測制御(SMPC)を用いて,ロボット力学を満たす制御入力を計算し,障害物回避時の不確実性を考慮した。
リカレントニューラルネットワークは、SMPC有限時間地平線解における将来の状態の不確かさを素早く推定するために用いられる。
ディープQ学習エージェントがハイレベルパスプランナーとして機能し、SMPCにロボットを望ましいグローバルな目標に向けて移動させる目標位置を提供する。
論文 参考訳（メタデータ） (2021-08-03T02:56:21Z)
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。