本論文は、未知・動的な環境におけるロボットの安全性確保を目的とし、時変かつ未知数の移動物体の状態をノイズの多い不完全な観測から推定する問題を扱う。多物体状態の不確実性をRandom Finite Set (RFS)信念として捉え、リスクを考慮したbelief control barrier function (BCBF)フレームワークを提案する。信念はsequential Monte Carlo probability hypothesis density (SMC-PHD)フィルタにより粒子集合として表現され、その粒子に直接基づいて非平滑なBCBFを構築する。連続的な予測ステップでの安全集合のforward invarianceを確立し、離散的な更新ステップで安全性を保証する明示的な条件を導出する。シミュレーションと実世界の水中実験により有効性と効率性を示す。
2. 先行研究と比べてどこがすごい？
従来のcontrol barrier function (CBF)は状態が完全に既知であることを前提とすることが多く、信念状態や不確実性を直接扱うものは限られていた。また、多物体追跡における不確実性を明示的に安全制御に組み込む研究は少ない。本手法は、RFSに基づく信念を粒子で表現し、その粒子から直接BCBFを構築することで、不確実性を陽に考慮した安全制御を実現している点が新しい。さらに、離散更新時の安全性条件を明示的に導出することで、実装上のギャップを埋めている。
要旨で参照されている関連研究として、belief control barrier function (BCBF)の基礎となるcontrol barrier function (CBF)の研究、Random Finite Set (RFS)理論、sequential Monte Carlo probability hypothesis density (SMC-PHD)フィルタに関する論文が挙げられる。また、リスクを考慮した安全制御の分野では、chance constraintsやconditional value-at-risk (CVaR)を用いた手法も関連する。具体的な論文名は要旨にないため、これらの一般名を挙げる。
Ensuring robot safety in unknown, dynamic environments is a fundamental requirement. It involves inferring the states of an unknown and time-varying number of moving objects from noisy, incomplete measurements. We address safe control under the induced multi-object state uncertainty with a risk-aware belief control barrier function (BCBF) framework. The uncertainty is captured by a random finite set (RFS) belief, estimated by a sequential Monte Carlo probability hypothesis density (SMC-PHD) filter that represents it with a set of particles. Building directly on these particles, we construct a nonsmooth BCBF, establish forward invariance of the safe set under continuous prediction, and derive an explicit condition under which discrete updates preserve safety. Simulation and real-world underwater experiments demonstrate the effectiveness and efficiency of the proposed approach.
