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:2511.19651

オンライン学習で強化した高次適応安全制御

Online Learning-Enhanced High Order Adaptive Safety Control

シェア:XThreadsFacebookLINEはてブBluesky

Neural ODEを用いたオンライン学習で高次適応型制御バリア関数を構築し、38gのナノクアッドロータを18km/hの風の中でも障害物から安全な距離に保つ制御を実現した。

詳しい要約

1. どんなもの?

- 本研究は、CBF (Control Barrier Functions) を安全フィルタとして用いる制御系において、モデル誤差や外乱があっても安全性を保つための手法を提案する。 - Neural ODEs を用いた online learning-enhanced high-order adaptive CBF を構築し、時間変化する複雑なモデル摂動下でもオンザフライで安全性を改善する。 - 38g の nano quadrotor にハイブリッド適応 CBF コントローラを実装し、18km/h の風に対して障害物から安全距離を保つ実機検証を行った。

2. 先行研究と比べてどこがすごい?

- 従来の CBF はモデルベースで安全性を形式的に保証できるが、その保証はモデル精度に強く依存し、payload や wind disturbances で動特性が変わると保証が無効化されうる。 - 本研究は、モデル不確かさをオンライン学習で補償しつつ CBF の安全性保証を維持する点で、固定モデルに基づく従来 CBF と異なる。 - 具体的な先行研究との定量的比較は要旨からは不明。

3. 技術・手法の肝は?

- Neural ODEs を用いてモデル摂動をオンラインで学習する online learning 機構を組み込む。 - これを high-order adaptive CBF と組み合わせ、時間変化する複雑なモデル摂動下でも安全制約を満たすハイブリッド適応 CBF コントローラを構成する。 - 詳細な定式化や学習則、適応則の具体的構成は要旨からは不明。

4. どうやって有効だと検証した?

- 38g の nano quadrotor に提案するハイブリッド適応 CBF コントローラを実装した実機実験で検証。 - 18km/h の風がある条件下で、障害物から安全距離を保てるかを評価した。 - 比較対象や定量的指標の詳細は要旨からは不明。

5. 議論はある?

- 実機の nano quadrotor 上で風外乱下の安全性維持を示した点が議論の中心。 - 一方、Neural ODEs によるオンライン学習の計算負荷、学習の安定性、安全性保証の理論的限界、他の外乱や機体への一般化については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で直接参照・比較されている個別論文は不明。関連手法として CBF (Control Barrier Functions)、high-order CBF、adaptive CBF、Neural ODEs、online learning-based control の文献を次に読むべき候補として挙げる。

※ 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: Lishuo Pan, Mattia Catellani, Thales C. Silva, Lorenzo Sabattini, Nora Ayanian

分類: cs.RO

原文アブストラクト

Control barrier functions (CBFs) are an effective model-based tool to formally certify the safety of a system. With the growing complexity of modern control problems, CBFs have received increasing attention in both optimization-based and learning-based control communities as a safety filter, owing to their provable guarantees. However, success in transferring these guarantees to real-world systems is critically tied to model accuracy. For example, payloads or wind disturbances can significantly influence the dynamics of an aerial vehicle and invalidate the safety guarantee. In this work, we propose an efficient yet flexible online learning-enhanced high-order adaptive control barrier function using Neural ODEs. Our approach improves the safety of a CBF controller on the fly, even under complex time-varying model perturbations. In particular, we deploy our hybrid adaptive CBF controller on a 38g nano quadrotor, keeping a safe distance from the obstacle, against 18km/h wind.

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