日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

運動計画arXiv:2604.02821

安全性と安定性を保証するゴール条件付きニューラルODEによる全対運動計画

Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning

シェア:XThreadsFacebookLINEはてブBluesky

任意の初期状態と目標状態を扱う全対運動計画のため、双リプシッツ微分同相写像を用いた滑らかなゴール条件付きニューラルODEを構築し、目標位置によらず大域的指数安定性と安全性を理論的に保証する手法を提案した。

詳しい要約

1. どんなもの?

- 本論文は、任意の初期状態と目標状態のペアに対するall-pairs motion planningを学習ベースで実現する手法を提案する。 - 目標条件付きneural ODEsをbi-Lipschitz diffeomorphismsを用いて構築し、安全集合内での大域的指数安定性と安全性(forward invariance)を保証する。 - 収束率、追従誤差、ベクトル場の大きさの明示的な境界も導出する。 - bi-Lipschitz neural networksによる学習実装が可能で、デモンストレーションデータも利用できる。 - 2D corridor navigationタスクで有効性を示す。

2. 先行研究と比べてどこがすごい?

- 従来の学習ベースmotion planningは特定の目標や初期状態に依存するか、安全性・安定性の保証が欠如していた。 - 本手法は任意の目標位置に対して大域的指数安定性と安全集合のforward invarianceを理論的に保証する点が新しい。 - 収束率、追従誤差、ベクトル場の大きさの明示的境界を確立した点も先行研究にない特徴。 - bi-Lipschitz neural networksを用いることで、学習可能かつ理論保証を両立している。

3. 技術・手法の肝は?

- 目標条件付きneural ODEsをbi-Lipschitz diffeomorphismsを介して構築する。 - bi-Lipschitz neural networksを用いて学習可能な表現を実現し、デモンストレーションデータを組み込む。 - 理論解析により、目標位置に依存しない大域的指数安定性と安全集合のforward invarianceを保証する。 - 収束率、追従誤差、ベクトル場の大きさの明示的境界を導出する。

4. どうやって有効だと検証した?

- 2D corridor navigationタスクにおいて提案手法の有効性を実証した。 - 具体的な評価指標や比較対象については要旨からは不明。

5. 議論はある?

- 理論的保証と学習可能性の両立が議論の中心。 - 限界や今後の課題、他の手法との比較に関する議論は要旨からは不明。

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。 - 関連手法としてneural ODEs、bi-Lipschitz neural networks、motion planning、control barrier functionsなどが挙げられる。

※ 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: Dechuan Liu, Ruigang Wang, Ian R. Manchester

分類: cs.RO, cs.SY, eess.SY

原文アブストラクト

This paper presents a learning-based approach for all-pairs motion planning, where the initial and goal states are allowed to be arbitrary points in a safe set. We construct smooth goal-conditioned neural ordinary differential equations (neural ODEs) via bi-Lipschitz diffeomorphisms. Theoretical results show that the proposed model can provide guarantees of global exponential stability and safety (safe set forward invariance) regardless of goal location. Moreover, explicit bounds on convergence rate, tracking error, and vector field magnitude are established. Our approach admits a tractable learning implementation using bi-Lipschitz neural networks and can incorporate demonstration data. We illustrate the effectiveness of the proposed method on a 2D corridor navigation task.

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. 3GXO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
  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