日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

モデル予測制御/安全制御arXiv:2509.06404

安全性と速度の両立:再学習不要で安全保証を備えた高速ニューラルMPC

Safety Meets Speed: Accelerated Neural MPC with Safety Guarantees and No Retraining

シェア:XThreadsFacebookLINEはてブBluesky

制御バリア関数と学習済みニューラル価値関数を組み合わせ、モデル変化時も再学習なしで適応できる高速なMPCフレームワークを提案し、Jetson Nano上で従来比200倍の高速化を実現した。

詳しい要約

1. どんなもの?

- 組み込み向けの高速な MPC フレームワーク BAN-MPC(Barrier-integrated Adaptive Neural Model Predictive Control)の提案。 - neural network の高速計算と MPC の制約処理を融合する枠組み。 - 衝突回避のため Euclidean distance を Control Barrier Functions (CBFs) に置き換え、厳密な安全性を狙う。 - offline 学習した neural value function を Short-horizon MPC の最適化目的に統合し、online 計算量を削減。 - 第2の neural network で value function のシステムパラメータ感度を学習し、パラメータ変化時に適応調整する。

2. 先行研究と比べてどこがすごい?

- 従来 MPC は制約で安全性を担保できるが、real-time 実行が embedded compute budget を超え得る点が課題。 - 提案は neural network の高速性と MPC の制約処理を両立させる点が特徴。 - 衝突回避を Euclidean distance ではなく CBFs で扱うことで厳密な安全性を目指す。 - offline 学習 neural value function を Short-horizon MPC に統合し online 計算量を大幅削減。 - 第2の neural network による感度学習で、パラメータ変化時に retraining 不要で適応できる点が従来と異なる。

3. 技術・手法の肝は?

- 衝突回避制約に Control Barrier Functions (CBFs) を採用。 - offline で学習した neural value function を Short-horizon MPC の最適化目的へ組み込む。 - 第2の neural network が value function のシステムパラメータに対する感度を学習。 - モデルパラメータ変化時に、この neural sensitivity に基づき neural value function を適応調整。 - これにより retraining を不要にし、offline 計算コストも低減。

4. どうやって有効だと検証した?

- Jetson Nano 上での hardware in-the-loop (HIL) 実験で検証。 - BAN-MPC は traditional MPC より 200 倍高速に求解。 - モデルパラメータが 15% 以内で変動する条件で、衝突なしの navigation を実現。 - 制御誤差は 5% 未満。 - 以上から embedded MPC の有効な代替と結論。

5. 議論はある?

- 要旨からは不明(本文での議論・限界・失敗ケースの記述は要旨に含まれない)。 - 要旨で述べられる範囲では、パラメータ変動 15% 以内・制御誤差 5% 未満という条件付きの結果。 - CBFs による厳密安全性の主張と neural 近似の関係についての詳細は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている traditional MPC。 - 衝突回避制約として用いられた Control Barrier Functions (CBFs) 関連研究。 - offline 学習 neural value function を用いる neural MPC 関連研究。 - パラメータ感度を学習する neural network を用いた適応手法関連研究。 - 評価基盤としての Jetson Nano 上の embedded MPC / HIL 実験関連研究。

※ 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: Kaikai Wang, Tianxun Li, Liang Xu, Qinglei Hu, Keyou You

分類: cs.RO

原文アブストラクト

While Model Predictive Control (MPC) enforces safety via constraints, its real-time execution can exceed embedded compute budgets. We propose a Barrier-integrated Adaptive Neural Model Predictive Control (BAN-MPC) framework that synergizes neural networks' fast computation with MPC's constraint-handling capability. To ensure strict safety, we replace traditional Euclidean distance with Control Barrier Functions (CBFs) for collision avoidance. We integrate an offline-learned neural value function into the optimization objective of a Short-horizon MPC, substantially reducing online computational complexity. Additionally, we use a second neural network to learn the sensitivity of the value function to system parameters, and adaptively adjust the neural value function based on this neural sensitivity when model parameters change, eliminating the need for retraining and reducing offline computation costs. The hardware in-the-loop (HIL) experiments on Jetson Nano show that BAN-MPC solves 200 times faster than traditional MPC, enabling collision-free navigation with control error below 5\% under model parameter variations within 15\%, making it an effective embedded MPC alternative.

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2newmo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
  3. 3GXO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
  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

OZ GAMING(GPU搭載BTOゲーミングPC)

OZ GAMING(GPU搭載BTOゲーミングPC)の公式広告バナーOZ GAMINGで完成品PCを見る ↗
PR本紙発行元 EmplifAI