論文の概要: Neural Integral Control Barrier Functions for Agile Collision Avoidance

• arxiv url: http://arxiv.org/abs/2611.02626v1
• Date: Mon, 02 Nov 2026 06:53:14 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:25:41.645341
• Title: Neural Integral Control Barrier Functions for Agile Collision Avoidance
• Title（参考訳）: アジャイル衝突回避のためのニューラルネットワーク制御バリア機能
• Abstract要約: 本稿では,3つ全てをデータから学習するアプローチを提案する。この手法は,力学のニューラル常微分方程式(ODE),名目制御器の模倣,バリア関数の教師付き回帰などである。 6-Dのダイナミック自転車によるアジャイルレースでは、フィルタは、保持された200のレイアウトから12の安全でないエピソードをすべて、一定の成功率で取り除き、1つのCPUコア上で100Hz以上を消費する。
• 参考スコア（独自算出の注目度）: 4.33239930702559
• License:
• Abstract: Control barrier functions (CBFs) are a standard way to keep a planner inside a safe set, but they assume control affine dynamics, a barrier function given in closed form, and a known nominal controller. Integral control barrier functions (ICBFs) remove the first assumption and absorb input constraints, yet they still assume a given nominal controller and a barrier function. In this work, we present an approach to learn all three from data, using neural ordinary differential equations (ODEs) for the dynamics, imitation for the nominal controller, and supervised regression for the barrier function. The learned dynamics, nominal controller, and the barrier function are used to build the ICBF filter constraint analytically. Furthermore, the barrier is trained on viability rather than geometry, meaning that a state counts as safe only if some emergency maneuver can still avoid the constraint under the actuator limits, a correction that geometric labels miss entirely and that grows with speed. Actuator limits then enter the online program as hard bounds while the learned barrier rows may be relaxed, which keeps the program solvable at every state and the actuator limits exact, and we bound how far the input it returns can drift from the one the true models would give. On agile racing with a 6-D dynamic bicycle, the filter removes all 12 unsafe episodes from 200 held out layouts at an unchanged success rate and above 100 Hz on one CPU core, holds the input constraint on every episode of a benchmark where a jointly trained baseline holds it on 53.38%, and keeps that advantage under large errors in the plant friction.
• Abstract（参考訳）: 制御障壁関数 (CBFs) は、プランナーを安全なセット内に保持する標準的な方法であるが、制御アフィンダイナミクス、閉形式で与えられるバリア関数、および既知の名前付きコントローラを仮定する。 積分制御障壁関数(ICBF)は、最初の仮定を取り除き入力制約を吸収するが、与えられた名目制御器とバリア関数を仮定する。 本研究では,3つ全てをデータから学習するアプローチを提案する。この手法は,力学のニューラル常微分方程式(ODE),命名制御器の模倣,バリア関数の教師付き回帰などである。 ICBFフィルタの制約を解析的に構築するために、学習力学、名目制御器、バリア関数が使用される。 さらに、バリアは幾何学よりも生存性に基づいて訓練されるため、何らかの緊急操作がアクチュエータの制限下にある制約を回避できる場合に限り、状態が安全であるとカウントされる。 アクチュエータの制限は、学習されたバリア列が緩和される一方で、オンラインプログラムをハードバウンドとして入力し、すべての状態においてプログラムを解き放ち、アクチュエータの制限は正確に保たれます。 6Dダイナミック自転車を用いたアジャイルレースでは、フィルタは、保持された200個のレイアウトから、一定の成功率で1つのCPUコア上で100Hz以上で全12個の安全でないエピソードを除去し、共同トレーニングされたベースラインが53.38%で保持するベンチマークのすべてのエピソードに入力制約を保持し、プラントの摩擦の大きなエラーの下でその優位性を維持する。

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)
• Control Barrier Functions for Safe Free-Flying Robotic Spacecraft Operations in Tumbling Target Capture [39.146761527401424]
  13-DoFシステムは翻訳、姿勢、ロボットのサブシステムに分解される。 安全フィルタは円錐状の接近通路、衝突回避ゾーン、視線方向の姿勢、角速度制限、ロボット関節限界、リンクベース衝突回避、アクチュエータ制約を強制する。 このフレームワークは、高忠実度天体力学シミュレータBasiliskを用いて、軌道上のサーベイシングシナリオで検証されている。
  論文  参考訳（メタデータ） (2026-09-22T09:11:28Z)
• BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control [1.9116784879310025]
  制御障壁関数(CBF)は、安全クリティカルなロボット工学における状態制約を符号化し、強制するための最も一般的なツールの1つである。 BarrierFormerは、モデルフリーの安全なポリシーを学ぶ際に、ロールアウトレベルのCBF制約を符号化するバリア管理型トランスフォーマーフレームワークである。 BarrierFormerは、既存の強化学習(RL)ベース、拡散ベース、MPCベース、トランスフォーマーベースの安全率と推論遅延のアプローチよりも優れていることを示す。
  論文  参考訳（メタデータ） (2026-09-20T22:03:18Z)
• 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)
• Safe PDE Boundary Control with Neural Operators [7.537923263907072]
  境界出力の軌道方向の制約満足度を確実にするために、神経境界制御障壁関数(BCBF)を導入する。 双曲的, 放物的, ナビエ・ストークスPDE動的環境下での実験は, 提案手法のプラグ・アンド・プレイの有効性を検証した。
  論文  参考訳（メタデータ） (2024-11-23T20:15:51Z)
• Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
  入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。 逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。 その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
  論文  参考訳（メタデータ） (2024-10-05T18:45:19Z)
• 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)
• BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
  BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。 本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
  論文  参考訳（メタデータ） (2021-11-22T15:38:11Z)
• 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。