日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御/安全arXiv:2507.13872

勾配ベースMPCと制御バリア関数による安全で高性能な制御器合成

Safe and Performant Controller Synthesis using Gradient-based Model Predictive Control and Control Barrier Functions

シェア:XThreadsFacebookLINEはてブBluesky

勾配ベースのモデル予測制御と制御バリア関数を組み合わせ、安全性と性能を両立する二段階フレームワークを提案し、高次元自律システムで有効性を検証した。

詳しい要約

1. どんなもの?

- 安全と性能を両立する制御器合成フレームワークの提案 - gradient-based Model Predictive Control (MPC) と Control Barrier Functions (CBF) を組み合わせた二段階構成 - 第一段階で安全制約をコスト関数のペナルティに緩和し、勾配法で高速最適化 - 第二段階で CBF-based Quadratic Program (CBF-QP) によりハードな安全制約を強制 - 高次元自律システムを対象に、性能と証明可能な安全性を両立する制御器を得る

2. 先行研究と比べてどこがすごい?

- 既存の安全フィルタ (CBF) は nominal controller が安全を意識しない場合に過度に保守的になる問題があった - State-Constrained Optimal Control Problems (SC-OCPs) を dynamic programming で解く手法は形式的保証を持つが高次元で扱いにくい - 提案法は gradient-based MPC のスケーラビリティと CBF-QP のハード制約保証を組み合わせる - 硬い制約を最初から課さずペナルティ緩和することで feasibility 問題を回避しつつ、最終的に証明可能な安全性を確保する点が特徴

3. 技術・手法の肝は?

- 二段階フレームワーク - 第一段階: 安全制約をコスト関数内のペナルティに緩和し、gradient-based な MPC で高速に最適化 - スケーラビリティ向上と hard constraints に伴う feasibility 問題の回避を狙う - 第二段階: 得られた制御器を CBF-based Quadratic Program (CBF-QP) で修正 - 参照制御からの偏差を最小化しつつ hard safety constraints を強制 - 結果として性能と証明可能な安全性を併せ持つ制御器を合成

4. どうやって有効だと検証した?

- 2つの case study で提案フレームワークを検証 - 複雑で高次元な自律システムに対し、スケーラブルで安全かつ高性能な制御器を合成できることを示した - 具体的なベンチマーク名や定量指標は要旨からは不明

5. 議論はある?

- 提案法は性能と証明可能な安全性の両立を主張 - 第一段階のペナルティ緩和により feasibility 問題を回避できる一方、最終的な安全性は第二段階の CBF-QP に依存 - 過度に保守的な CBF フィルタの問題を nominal policy の改善で緩和する設計 - 限界や失敗ケース、計算コストの詳細な議論は要旨からは不明

6. 次に読むべき論文は?

- Control Barrier Functions (CBF) を用いた安全フィルタの原論文 - CBF-based Quadratic Program (CBF-QP) による安全制約の定式化 - gradient-based Model Predictive Control (MPC) の関連研究 - State-Constrained Optimal Control Problems (SC-OCPs) と dynamic programming による形式保証の比較研究 - 安全と性能の co-optimization を扱う安全-critical control のサーベイ

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Aditya Singh, Aastha Mishra, Manan Tayal, Shishir Kolathaya, Pushpak Jagtap

分類: eess.SY, cs.RO, cs.SY

原文アブストラクト

Ensuring both performance and safety is critical for autonomous systems operating in real-world environments. While safety filters such as Control Barrier Functions (CBFs) enforce constraints by modifying nominal controllers in real time, they can become overly conservative when the nominal policy lacks safety awareness. Conversely, solving State-Constrained Optimal Control Problems (SC-OCPs) via dynamic programming offers formal guarantees but is intractable in high-dimensional systems. In this work, we propose a novel two-stage framework that combines gradient-based Model Predictive Control (MPC) with CBF-based safety filtering for co-optimizing safety and performance. In the first stage, we relax safety constraints as penalties in the cost function, enabling fast optimization via gradient-based methods. This step improves scalability and avoids feasibility issues associated with hard constraints. In the second stage, we modify the resulting controller using a CBF-based Quadratic Program (CBF-QP), which enforces hard safety constraints with minimal deviation from the reference. Our approach yields controllers that are both performant and provably safe. We validate the proposed framework on two case studies, showcasing its ability to synthesize scalable, safe, and high-performance controllers for complex, high-dimensional autonomous systems.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

MINISFORUM(ミニPC)

MINISFORUM(ミニPC)の公式広告バナーMINISFORUM公式ストアを見る ↗
PR本紙発行元 EmplifAI