日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

安全制御arXiv:2511.08741

ATOM-CBF: 分布外計測下での適応的安全知覚制御

ATOM-CBF: Adaptive Safe Perception-Based Control under Out-of-Distribution Measurements

シェア:XThreadsFacebookLINEはてブBluesky

学習した知覚モジュールの分布外計測による不確かさを明示的に計算し、安全フィルタの保守性をリアルタイムに適応させる制御フレームワークを提案。LiDAR搭載車両とRGB画像を用いる四足ロボットのシミュレーションで安全性を実証した。

詳しい要約

1. どんなもの?

- 高次元センサデータから学習済み知覚モジュールで状態推定する実世界システムの安全制御フレームワーク - 名称は ATOM-CBF (Adaptive-To-OoD-Measurement Control Barrier Function) - 訓練時に見ていない out-of-distribution (OoD) 計測に対する epistemic uncertainty を明示的に計算し適応する - ground-truth ラベルや分布シフトの情報を必要としない - 構成要素は2つ - OoD を考慮した適応的な知覚誤差マージン - そのマージンを組み込んだ安全フィルタ(conservatism をリアルタイム調整)

2. 先行研究と比べてどこがすごい?

- 従来の安全制御は学習済み知覚モジュールの epistemic uncertainty や OoD 計測への脆弱性に対処できていなかった - 知覚が OoD で失敗すると安全性が損なわれる点が課題 - 本研究は OoD 計測に起因する epistemic uncertainty を明示的に計算し、制御側で適応する点が新しい - ground-truth ラベルや分布シフト情報を不要とする点が実用上の利点 - 安全フィルタの保守性をリアルタイムに調整できる点が特徴 - 具体的な既存手法との定量的比較は要旨からは不明

3. 技術・手法の肝は?

- 中核は OoD を考慮した適応的な知覚誤差マージンの算出 - OoD 計測から epistemic uncertainty を明示的に計算し、誤差マージンに反映 - ground-truth ラベルや分布シフト情報を必要としない設計 - その適応マージンを安全フィルタに統合 - Control Barrier Function (CBF) ベースの安全フィルタがマージンに応じて保守性をリアルタイム調整 - 知覚誤差マージンの具体的な推定アルゴリズムや CBF の定式化の詳細は要旨からは不明

4. どうやって有効だと検証した?

- シミュレーションによる実証的検証を実施 - 2つの設定で安全性を確認 - LiDAR scans を用いる F1Tenth vehicle - RGB images を用いる quadruped robot - 各設定で ATOM-CBF が安全性を維持することを示した - ベースラインとの比較や定量指標の詳細は要旨からは不明

5. 議論はある?

- 要旨からは不明 - 限界や失敗ケース、計算コスト、実機実験の有無についての議論は記述されていない - 示唆される論点として、OoD 検出・epistemic uncertainty 推定の精度が安全フィルタの保守性に与える影響が考えられるが、要旨には明記なし

6. 次に読むべき論文は?

- 要旨で参照・比較されている研究は明示されていない - 関連手法として次を検討 - Control Barrier Function (CBF) を用いた安全フィルタ - 学習済み知覚モジュールの epistemic uncertainty 推定 - out-of-distribution (OoD) 検出 - F1Tenth プラットフォームおよび quadruped robot の安全制御研究

※ 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: Kai S. Yun, Navid Azizan

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Ensuring the safety of real-world systems is challenging, especially when they rely on learned perception modules to infer the system state from high-dimensional sensor data. These perception modules are vulnerable to epistemic uncertainty, often failing when encountering out-of-distribution (OoD) measurements not seen during training. To address this gap, we introduce ATOM-CBF (Adaptive-To-OoD-Measurement Control Barrier Function), a novel safe control framework that explicitly computes and adapts to the epistemic uncertainty from OoD measurements, without the need for ground-truth labels or information on distribution shifts. Our approach features two key components: (1) an OoD-aware adaptive perception error margin and (2) a safety filter that integrates this adaptive error margin, enabling the filter to adjust its conservatism in real-time. We provide empirical validation in simulations, demonstrating that ATOM-CBF maintains safety for an F1Tenth vehicle with LiDAR scans and a quadruped robot with RGB images.

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

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI