日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

制御/MPCarXiv:2601.11426

状態・入力依存の不確かさに対する学習ベースの縮小外乱不変チューブ

Learning-Based Shrinking Disturbance-Invariant Tubes for State- and Input-Dependent Uncertainty

シェア:XThreadsFacebookLINEはてブBluesky

状態と入力に依存する不確かさの下で、チューブMPCに使える縮小外乱不変チューブを学習で構築し、データが増えるほどチューブが狭まりつつ安全性を保証する手法を提案した。

詳しい要約

1. どんなもの?

- 状態と入力に依存する不確かさの下で、収縮する外乱不変チューブを学習ベースで構築するフレームワーク。 - Tube MPC の構成要素として、持ち上げられた等調(順序保存)不動点写像により安全性を認証する。 - GP 事後分布を (1-α) 信用楕円体に変換し、決定論的集合演算のため多面体外集合とする。 - 二時間スケール方式で、学習エポックでは多面体を凍結し、内側の outside-in 反復でコンパクトな不動点 Z* ⊆ G に収束させる。 - その状態射影はプラントに対して RPI である。

2. 先行研究と比べてどこがすごい?

- 先行研究と比べて、状態と入力に依存する不確かさの下で収縮する外乱不変チューブを学習ベースで構築する点が新しい。 - 検証対象の集合と外乱モデル間の循環依存を、データ蓄積に伴い外乱多面体が締まり、チューブが単調にネストすることで解決する。 - 硬い制約を保持しつつ、データが豊富な領域でチューブ断面が収縮することを示す。 - 具体的な先行研究との比較は要旨からは不明。

3. 技術・手法の肝は?

- GP 事後分布を (1-α) 信用楕円体に変換し、さらに多面体外集合に変換して決定論的集合演算を可能にする。 - 二時間スケール方式を採用し、学習エポックでは多面体を凍結し、内側の outside-in 反復でコンパクトな不動点 Z* ⊆ G に収束させる。 - 持ち上げられた等調(順序保存)不動点写像により安全性を認証する。 - 状態射影が RPI となることを保証する。

4. どうやって有効だと検証した?

- 二重積分器の研究例で、データが豊富な領域でチューブ断面が収縮しつつ不変性が維持されることを示した。 - 具体的な検証手法や指標の詳細は要旨からは不明。

5. 議論はある?

- 検証対象の集合と外乱モデル間の循環依存を解決し、硬い制約を保持する点が議論されている。 - データ蓄積に伴うチューブの単調ネストや収縮の性質が議論されている。 - 限界や課題については要旨からは不明。

6. 次に読むべき論文は?

- 要旨で参照/比較されている研究は明示されていない。 - 同分野の定番として、Tube MPC、Gaussian Process、RPI set、Model Predictive Control に関する論文が挙げられる。

※ 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: Abdelrahman Ramadan, Sidney Givigi

分類: eess.SY, cs.RO, cs.SY, math.OC

原文アブストラクト

We develop a learning-based framework for constructing shrinking disturbance-invariant tubes under state- and input-dependent uncertainty, intended as a building block for tube Model Predictive Control (MPC), and certify safety via a lifted, isotone (order-preserving) fixed-point map. Gaussian Process (GP) posteriors become $(1-\alpha)$ credible ellipsoids, then polytopic outer sets for deterministic set operations. A two-time-scale scheme separates learning epochs, where these polytopes are frozen, from an inner, outside-in iteration that converges to a compact fixed point $Z^\star\!\subseteq\!\mathcal G$; its state projection is RPI for the plant. As data accumulate, disturbance polytopes tighten, and the associated tubes nest monotonically, resolving the circular dependence between the set to be verified and the disturbance model while preserving hard constraints. A double-integrator study illustrates shrinking tube cross-sections in data-rich regions while maintaining invariance.

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. 2newmo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
  3. 3NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  4. 4GXO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
  5. 5Google DeepMind、ロボット向けAIを発表新製品・発表

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