物理情報ニューラルネットワークを用いた時空間チューブによる時間指定到達・回避・滞在タスクの学習

- 本論文は、未知ダイナミクスを持つ一般的な control-affine MIMO nonlinear pure-feedback systems を対象に、外部外乱下で prescribed time reach-avoid-stay (T-RAS) タスクを満たすための Spatiotemporal Tube (STT) ベースの制御フレームワークを提案する。 - STT は時間変化する球として定義され、その中心と半径を Physics-Informed Neural Network (PINN) で同時に近似する。 - 学習した STT 表現に基づき、T-RAS 仕様の充足を保証する approximation-free closed-form controller を定義する。

- 要旨からは不明。 - ただし、STT の中心と半径を PINN で jointly に近似し、さらに Lipschitz-based validity condition で連続時間上の妥当性を形式的に検証する点が本手法の特徴として述べられている。 - 先行研究との具体的な比較は要旨に記載がない。

- STT を時間変化する球として定義し、中心と半径を PINN で近似する。 - STT を支配する制約を PINN の loss functions として定式化し、全体の違反を最小化する training algorithm を提案する。 - 一部の collocation points で学習した PINN に対し、Lipschitz-based validity condition を用いて連続時間 horizon 上で条件を満たすことを形式的に検証する。 - 学習済み STT 表現に基づき、approximation-free closed-form controller を構成して T-RAS 仕様の充足を保証する。

- 提案フレームワークの有効性とスケーラビリティを、mobile robot と aerial vehicle が cluttered environments を航行する 2 つの case studies で検証した。 - 形式的検証として、Lipschitz-based validity condition により学習した PINN が連続時間 horizon 上で条件を満たすことを確認する手法が述べられている。

- 要旨からは不明。 - 外部外乱下での T-RAS 仕様充足や、PINN の学習済み表現の形式的検証、closed-form controller の保証について述べられているが、限界や議論の詳細は要旨に記載がない。

- 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 Physics-Informed Neural Networks (PINN)、control-affine MIMO nonlinear pure-feedback systems、prescribed time reach-avoid-stay (T-RAS)、Lipschitz-based validity condition、approximation-free closed-form controller が挙げられる。 - 同分野の定番として、reach-avoid-stay タスクに対する control barrier function (CBF) や model predictive control (MPC) 関連の論文を次に読む候補として挙げる。