日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

模倣学習arXiv:2511.20593

安全で安定なニューラルネットワーク力学系によるロボット動作計画

Safe and Stable Neural Network Dynamical Systems for Robot Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

ニューラルネットワークで力学系を学習し、同時にリアプノフ安定性とバリア安全性の証明も学習する模倣学習フレームワークを提案。安全でないデモからでも安全・安定な動作を獲得できる。

詳しい要約

1. どんなもの?

- 学習ベースのロボット動作計画フレームワーク S$^2$-NNDS を提案 - 示範からの学習(learning-from-demonstration)を対象 - 表現力の高い neural dynamical systems を学習 - 同時に neural Lyapunov stability certificate と barrier safety certificate を学習 - 複雑・非線形・障害物の多い環境での安全かつ安定な動作を目指す - 2D/3D データセットで検証 - LASA handwriting - Franka Emika Panda による kinesthetic 示範 - コード・実験動画を GitHub で公開

2. 先行研究と比べてどこがすごい?

- 従来手法は制約の強い polynomial parameterizations を用いる点が課題 - S$^2$-NNDS は neural networks により複雑なロボット動作を捉える - 表現力の向上を狙う - 学習した certificates に split conformal prediction を適用し probabilistic guarantees を与える点が特徴 - 潜在的に安全でない示範からでも頑健・安全・安定な動作を学習できることを示す - 具体的な先行研究名や定量的比較は要旨からは不明

3. 技術・手法の肝は?

- neural dynamical systems と neural certificates の同時学習 - neural Lyapunov stability certificate - barrier safety certificate - polynomial parameterizations ではなく neural networks を採用し表現力を確保 - split conformal prediction を学習済み certificates に適用 - 確率的保証(probabilistic guarantees)を得る仕組み - 安全でない可能性のある示範からの学習を扱う枠組み - 詳細なアルゴリズムや損失設計は要旨からは不明

4. どうやって有効だと検証した?

- 複数の 2D/3D データセットで実験 - LASA handwriting - Franka Emika Panda ロボットから kinesthetic に記録した示範 - 潜在的に安全でない示範から頑健・安全・安定な動作を学習できるかを評価 - 実験動画・ソースコード・補足資料を公開 - 定量的指標やベースライン比較の詳細は要旨からは不明

5. 議論はある?

- split conformal prediction による probabilistic guarantees の実効性や保守性が論点になり得る - neural certificates の学習安定性・検証範囲の一般化は要旨からは不明 - 安全でない示範を扱う際の安全性保証の限界は要旨からは不明 - 2D/3D 実験から実ロボットの複雑タスクへの拡張性は要旨からは不明 - 明示的な議論・限界の記述は要旨からは不明

6. 次に読むべき論文は?

- neural Lyapunov function / neural barrier certificate を用いた安全・安定学習の関連研究 - conformal prediction を用いたロボット学習の安全性保証に関する研究 - learning-from-demonstration における dynamical systems アプローチ(例: LASA 系の手法) - 要旨で参照・比較されている個別論文は明示されていないため、上記は同分野の定番・関連手法

※ 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: Allen Emmanuel Binny, Mahathi Anand, Hugo T. M. Kussaba, Lingyun Chen, Shreenabh Agrawal, Fares J. Abu-Dakka, Abdalla Swikir

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

Learning safe and stable robot motions from demonstrations remains a challenge, especially in complex, nonlinear tasks involving dynamic, obstacle-rich environments. In this paper, we propose Safe and Stable Neural Network Dynamical Systems S$^2$-NNDS, a learning-from-demonstration framework that simultaneously learns expressive neural dynamical systems alongside neural Lyapunov stability and barrier safety certificates. Unlike traditional approaches with restrictive polynomial parameterizations, S$^2$-NNDS leverages neural networks to capture complex robot motions, providing probabilistic guarantees through split conformal prediction in learned certificates. Experimental results in various 2D and 3D datasets -- including LASA handwriting and demonstrations recorded kinesthetically from the Franka Emika Panda robot -- validate the effectiveness of S$^2$-NNDS in learning robust, safe, and stable motions from potentially unsafe demonstrations. The source code, supplementary material and experiment videos can be accessed via https://github.com/allemmbinn/S2NNDS

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