論文の概要: Beyond Terminal Constraints: Reliable Robot Control with Learned Safe Sets

• arxiv url: http://arxiv.org/abs/2611.06196v1
• Date: Wed, 04 Nov 2026 09:12:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 03:25:58.038353
• Title: Beyond Terminal Constraints: Reliable Robot Control with Learned Safe Sets
• Title（参考訳）: 端末制約を超えて:学習された安全セットによる信頼性の高いロボット制御
• Abstract要約: 一般的なアプローチは制御不変集合に依存するが、非線形系の正確な計算は一般に難解である。 我々は、古典的な制御不変集合よりも広い安全集合の新しいクラスを導入し、対応するMPCスキームを解析する。 我々は,6関節ロボットマニピュレータ上での広範囲なシミュレーションにおいて,最先端の手法よりも制約違反が少ないことを示す。
• 参考スコア（独自算出の注目度）: 7.850042631998324
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring safety in advanced robot control methods such as Model Predictive Control (MPC) and Reinforcement Learning remains an open challenge. A common approach relies on control-invariant sets, yet their exact computation for nonlinear systems is generally intractable, and numerical approximations compromise theoretical guarantees. In this work, we show that safety does not need to rely exclusively on control invariance. We introduce novel classes of safe sets, each broader than classical control-invariant sets, and analyze corresponding MPC schemes that guarantee recursive feasibility by constraining different nodes of the prediction horizon rather than only the terminal state. Furthermore, when the safe set is an inner approximation of a suitable control-invariant set, our methods can ensure safety through a safe-abort strategy, even in the absence of recursive feasibility. We validate our approaches in extensive simulations on a 6-joint robot manipulator, showing fewer constraint violations than state-of-the-art methods while maintaining comparable tracking performance and computational efficiency. Hardware experiments further demonstrate the practicality of our schemes for real-world robotic applications.
• Abstract（参考訳）: モデル予測制御(MPC)や強化学習(Reinforcement Learning)といった高度なロボット制御手法の安全性を確保することは、依然としてオープンな課題である。 一般的なアプローチは制御不変集合に依存するが、非線形系の正確な計算は一般に難解であり、数値近似は理論的保証を損なう。 本研究は,制御不変性にのみ依存する必要はないことを示す。 我々は、古典的な制御不変集合よりも広い安全集合の新しいクラスを導入し、端末状態だけでなく予測地平線の異なるノードを制約することによって再帰可能性を保証するMPCスキームを解析する。 さらに、セーフセットが適切な制御不変集合の内部近似である場合、再帰的実現性がない場合でも、安全吸収戦略により安全性を確保することができる。 我々は,6関節ロボットマニピュレータの広範囲なシミュレーションにおいて,最先端の手法よりも制約違反が少なく,かつ同等のトラッキング性能と計算効率を保ちながら,我々のアプローチを検証した。 ハードウェア実験は、実際のロボット応用のための我々のスキームの実用性をさらに実証する。

関連論文リスト

• Cooptimizing Safety and Performance Using Safety Value-Constrained Model Predictive Control [14.944399584182017]
  本稿では,各計画地平線の終端に,制御不変の安全セットのメンバシップを強制する安全値関数に基づく端末制約を提案する。 この定式化により、高性能かつ確実に安全な軌道のリアルタイム合成が可能となる。 本研究では,Flexiv Rizon 10s マニピュレータ上でのシミュレーションおよびハードウェア実験により,提案手法の有効性を検証した。
  論文  参考訳（メタデータ） (2026-04-26T20:10:03Z)
• 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 Reinforcement Learning via Recovery-based Shielding with Gaussian Process Dynamics Models [57.006252510102506]
  強化学習(Reinforcement Learning, RL)は、最適な意思決定と制御のための強力なフレームワークである。 本稿では,未知および非線形連続力学系に対する安全性を低くした安全RLを実現するための新しい回復型遮蔽フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-12T22:03:35Z)
• Learning Neural Control Barrier Functions from Expert Demonstrations using Inverse Constraint Learning [1.7235805533661985]
  我々は、安全、すなわち制御された前方不変集合に属することを考慮し、システムの状態を分類する制約関数を訓練する。 次に、その関数を使用して、新しいシミュレートされた軌道のセットをラベル付けし、神経CBFをトレーニングします。 4つの異なる環境において、我々のアプローチを実証的に評価し、既存のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-10-24T15:20:34Z)
• ISAACS: Iterative Soft Adversarial Actor-Critic for Safety [0.9217021281095907]
  この研究は、ロボットシステムのための堅牢な安全維持コントローラのスケーラブルな合成を可能にする新しいアプローチを導入する。 安全を追求するフォールバックポリシーは、モデルエラーの最悪のケースの実現を促進するために、敵の「混乱」エージェントと共同で訓練される。 学習した制御ポリシーは本質的に安全性を保証するものではないが、リアルタイムの安全フィルタを構築するために使用される。
  論文  参考訳（メタデータ） (2022-12-06T18:53:34Z)
• 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)
• 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)

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。