安全制御2026/9/11arXiv:2609.12831

VertexCBF: 頂点制限制御探索によるニューラル制御バリア関数の改善

VertexCBF: Improving Neural Control Barrier Functions via Vertex-Restricted Control Search

制御アフィン系と凸多面体制御集合を利用し、GPU並列の頂点制限木探索で教師点を生成してニューラル制御バリア関数を学習する枠組みを提案。15システムで有効性を示し、移動ロボットの歩行者回避実験も行った。

詳しい要約

1. どんなもの？

- 自律ロボットの安全性を保証するためのControl Barrier Functions (CBFs)の設計手法。 - 既存手法の限界（有効性、スケーラビリティ、解釈性、保守的な安全集合）を克服する。 - ニューラルCBFをスケーラブル、体系的、説明可能に学習するフレームワークVertexCBFを提案。 - 定常Hamilton-Jacobi値関数をニューラルネットワークで近似。 - 物理情報と疎な教師あり学習を組み合わせて訓練。

2. 先行研究と比べてどこがすごい？

- 既存のCBF設計法は有効性、スケーラビリティ、解釈性に制限があり、安全集合が過度に保守的になることが多い。 - 提案手法は、大規模な安全集合を信頼性高く回復し、ベースラインが保守的または完全に失敗する場合でも成功。 - 15のシステムで評価し、ベースラインと比較して優位性を示す。 - ハードウェア実験で移動ロボットが歩行者を安全に回避。

3. 技術・手法の肝は？

- 制御アフィン力学と凸ポリトープ制御集合を利用。 - ハミルトニアンが制御頂点で最大化される性質を活用。 - GPU並列頂点制限木探索により効率的に教師点を生成。 - 残差アーキテクチャにより、学習されたCBFが指定された制約関数より大きくならないことを保証。 - 物理情報と疎な教師あり学習を組み合わせてニューラルネットワークを訓練。

4. どうやって有効だと検証した？

- 15のシステムで評価し、関連ベースラインと比較。 - ベースラインが保守的または失敗する場合でも、大きな安全集合を回復することを示す。 - 移動ロボットが歩行者を安全に回避するハードウェア実験を実施。

5. 議論はある？

- 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や関連手法は明示されていない。 - 同分野の定番として、Control Barrier Functions (CBFs)やHamilton-Jacobi reachability analysis、ニューラルCBF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: Bojan Derajić, Sebastian Bernhard, Wolfgang Hönig

分類: cs.RO, cs.LG, eess.SY

原文アブストラクト

As the number of autonomous robots continues to grow, safety becomes increasingly important. Control barrier functions (CBFs) provide a theoretically grounded framework for ensuring safety, but existing design methods often face limitations in effectiveness, scalability, or interpretability, and may result in overly conservative safe sets. In this paper, we propose \emph{VertexCBF}, a framework for learning neural CBFs in a scalable, systematic, and explainable way. We approximate the stationary Hamilton--Jacobi value function using a neural network trained via a combination of physics-informed and sparsely supervised learning. By exploiting control-affine dynamics and a convex polytope control set, under which the Hamiltonian is maximized at the control vertices, we efficiently generate supervision points via GPU-parallel vertex-restricted tree search, while a residual architecture guarantees that the learned CBF is never larger than the specified constraint function. We evaluate the method on 15 systems and compare it against relevant baselines, showing that it reliably recovers large safe sets where the baselines are conservative or fail completely. In addition, we perform a hardware experiment in which a mobile robot safely avoids pedestrians using a neural CBF trained with our method.

arXivで原文を読む →arXiv概要ページ