生成モーションプランナーの形式的安全検証と認定ローカル安定化による改良

- 学習ベースの generative motion planner (GMP) の出力を形式的に安全検証する手法。 - GMP をそのまま NNV にかけるのではなく、GMP からサンプルした参照軌道を小さな neural tracking controller で安定化し、閉ループ系に NNV を適用する。 - 検証済み参照のライブラリを構築し、安全な範囲で元の GMP 分布を模倣するようにオンライン展開する。 - diffusion、flow matching、vision-language model を含む多様な planner を対象とする。

- 従来の GMP は表現力が高い一方、数百万ニューロン規模のため NNV のスケール限界(数百ニューロン程度)で直接検証できなかった。 - 提案法は GMP の表現力を保ちつつ、小さな tracking controller と閉ループ dynamics に検証を帰着させる点が新しい。 - 再学習なしで安全性を改善できる点も従来手法と異なる。

- GMP から参照をサンプリングし、小規模 neural tracking controller で安定化する。 - 閉ループ dynamics に NNV を適用して reachable sets を計算し、閉ループ安全性を厳密に certify する。 - controller が dynamic feasibility を強制する。 - 検証済み GMP 参照のライブラリを構築し、安全な場合に元の GMP 分布を模倣するようオンラインで使い分ける。

- diffusion、flow matching、vision-language model など多様な planner で評価。 - シミュレーションで ground robots と quadcopters の安全性改善を確認。 - ハードウェアで differential-drive robot を用いて検証。

- 要旨からは不明(具体的な限界や失敗ケース、計算コストの議論は記述されていない)。 - 検証済みライブラリによる模倣が元の GMP 分布をどこまで保つかは要旨では明示されていない。

- diffusion ベースの motion planner に関する研究。 - flow matching を用いた motion planning 研究。 - vision-language model を活用した planner 研究。 - neural network verification (NNV) の手法。 - neural tracking controller を用いた制御研究。