PCARNN-DCBF：地上車両のための最小介入ジオフェンス強制

- 地上車両向けのランタイムgeofencing（ODDの運用設計領域を強制する技術）を実現する新パイプライン「PCARNN-DCBF」の提案。 - Physics-encoded Control-Affine Residual Neural Network（PCARNN）とpreview-based Discrete Control Barrier Function（DCBF）を統合。 - 車両ダイナミクスのcontrol-affine構造を保持した学習モデルにより、検証可能な制御と高忠実度学習の両立を狙う。 - 多角形のkeep-in制約をリアルタイムQPで強制するgeofence enforcement手法。

- 既存手法は高忠実度の学習と検証可能な制御の構造要件の両立が困難という課題があった。 - 汎用の学習モデルと異なり、PCARNNは車両ダイナミクスのcontrol-affine構造を明示的に保持し、信頼できる最適化に必要な線形性を確保。 - 解析的ベースラインおよび非構造化neuralベースラインに対し、構造保持アプローチが有意に優れると実験で示した。

- PCARNN：Physics-encoded Control-Affine Residual Neural Networkにより、車両ダイナミクスのcontrol-affine構造を保持した残差学習を行う。 - DCBF：preview-based Discrete Control Barrier Functionにより、多角形keep-in制約をリアルタイムQPで強制。 - 高い相対次数（high relative degree）への対応とアクチュエータ飽和の緩和をQPで処理。 - 学習モデルの構造保持により、DCBF最適化に必要な線形性を担保。

- CARLAシミュレータ上で電気プラットフォームと燃焼プラットフォームの両方を用いて実験。 - 解析的ベースラインおよび非構造化neuralベースラインと比較し、構造保持アプローチの優位性を評価。 - 具体的な評価指標や数値は要旨からは不明。

- 高相対次数やアクチュエータ飽和への対処をQPで行う点に議論の余地。 - 構造保持による線形性確保が最適化信頼性に寄与する一方、モデル表現力への影響は要旨からは不明。 - 実車での検証や他ODDへの一般化、計算負荷などは要旨からは不明。

- Control Barrier Function（CBF）およびDiscrete Control Barrier Function（DCBF）に関する基礎論文。 - Physics-encoded / structure-preserving neural network（例：Control-Affine Neural Network）関連研究。 - CARLAを用いたgeofencing・ODD enforcementの先行研究。 - Quadratic Program（QP）ベースの安全フィルタ・CBF-QPに関する定番文献。