PyTorchKR Papers

최신 논문

총 6편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2603.10330v3cs.RO

PC-Diffuser: 확산 기반 궤적 플래너를 위한 경로 일관적 캡슐 CBF 안전 필터링

PC-Diffuser: Path-Consistent Capsule CBF Safety Filtering for Diffusion-Based Trajectory Planner

복잡한 교통 환경에서의 자율주행은 수작업 규칙을 넘어 일반화할 수 있는 플래너를 필요로 하며, 이는 전문가 시연으로부터 행동을 학습하는 데이터 기반 접근법의 필요성을 불러일으킨다. 확산 기반(diffusion-based) 궤적 플래너는 최근 전체 호라이즌(full-horizon) 계획을 반복적으로 디노이징함으로써 강력한 폐루프(closed-loop) 성능을 보여주었으나, 안전성을 인증하기 어렵고 희귀하거나 분포 외(OOD, out-of-distribution) 시나리오에서 치명적인 실패를 겪을 수 있다. 이러한 문제를 해결하기 위해, 본 논문에서는 인증 가능하고 경로 일관성을 갖는 배리어 함수(barrier function) 구조를 확산 계획의 디노이징 루프에 직접 내장하는 안전 증강 프레임워크인 PC-Diffuser를 제안한다. 핵심 아이디어는 안전을 사후 수정(post-hoc fix)이 아닌 궤적 생성의 본질적인 요소로 만드는 것이다. 즉, 확산 모델이 의도한 경로 기하학을 보존하면서 롤아웃을 따라 전방 불변성(forward invariance)을 강제한다. 구체적으로 PC-Diffuser는 (i) 차량의 기하학적 형태를 더욱 잘 반영하고 불필요한 보수성을 줄이는 캡슐 거리 배리어 함수를 사용하여 충돌 위험을 평가하고, (ii) 디노이징된 웨이포인트를 기구학적 자전거 모델(kinematic bicycle model) 하에서 동역학적으로 실현 가능한 모션으로 변환하며, (iii) 기하학적 왜곡 없이 잔여 제약 조건 위반을 제거하는 경로 일관적 안전 필터를 적용하여 보정된 계획이 학습된 분포에 가깝게 유지되도록 한다. 모든 디노이징 단계에서 이러한 안전 일관적 보정을 주입하고 정제된 궤적을 확산 과정으로 다시 피드백함으로써, PC-Diffuser는 사후 복구 대신 반복적이고 맥락을 인식(context-aware)하는 안전 보호를 가능하게 한다...

arXiv:2609.28364v1cs.RO

LEAP-CBF: 최소 노력 적대적 포텐셜(Least-Effort Adversarial Potentials)을 이용한 불확실 시스템용 안전 필터

LEAP-CBF: A Safety Filter for Uncertain Systems with Least-Effort Adversarial Potentials

제어 장벽 함수(Control Barrier Function, CBF)는 비선형 동역학 시스템의 안전성을 보장하기 위해 널리 쓰이는 안전 필터이다. 그러나 시스템에 불확실성과 외란이 존재할 때는 CBF의 강건(robust) 변형을 사용해야 하는데, 이러한 변형은 구성하기 어려울 수 있으며 특히 입력 제약이 있는 고차원 시스템에서는 지나치게 보수적일 수 있다. 본 연구에서는 이러한 문제를 해결하기 위한 새로운 접근법으로, 최소 노력 적대적 포텐셜(Least-Effort Adversarial Potentials, LEAP)을 제안한다. LEAP은 주어진 상태가 외란에 대해 갖는 강건성을, 외란이 실패를 일으키기 위해 필요한 노력의 크기로 정량화하는 인증서(certificate)이다. 우리는 LEAP이 외란이 없는 시스템에 대한 CBF임을 보이는 동시에, 누적 노력이 제한된 외란에 대해 강건한 안전 필터를 구성하는 데에도 사용될 수 있음을 보인다. 또한 온-정책(on-policy) 심층 강화학습(deep reinforcement learning)으로 LEAP을 구성하는 방법을 제안한다. 이어서 외란과 불확실성이 있는 다양한 멀티 에이전트 시스템에 대한 시뮬레이션에서 LEAP을 시연한다. 마지막으로, 사족보행 로봇과 쿼드로터를 이용한 하드웨어 실험을 통해 LEAP이 실제 로봇 시스템의 외란과 불확실성을 다루는 데 적합함을 검증한다.

arXiv:2609.12831v2cs.RO

VertexCBF: 꼭짓점 제한 제어 탐색을 통한 신경 제어 장벽 함수 개선

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

자율 로봇의 수가 계속 증가함에 따라 안전성은 점점 더 중요해지고 있다. 제어 장벽 함수(CBF)는 안전을 보장하기 위한 이론적으로 정당화된 프레임워크를 제공하지만, 기존 설계 방법은 종종 효과, 확장성, 또는 해석 가능성 측면에서 한계에 직면하며, 지나치게 보수적인 안전 집합을 초래할 수 있다. 본 논문에서는 확장 가능하고 체계적이며 설명 가능한 방식으로 신경 CBF를 학습하기 위한 프레임워크인 VertexCBF를 제안한다. 물리 정보 기반 학습과 희소 지도 학습을 결합하여 훈련된 신경망을 사용하여 정상 Hamilton-Jacobi 값 함수를 근사한다. 제어 아핀(control-affine) 역학과 해밀토니안이 제어 꼭짓점에서 최대화되는 볼록 다면체(convex polytope) 제어 집합을 활용하여, GPU 병렬 꼭짓점 제한 트리 탐색을 통해 지도점을 효율적으로 생성하며, 잔차(residual) 아키텍처는 학습된 CBF가 지정된 제약 함수보다 결코 크지 않음을 보장한다. 15개 시스템에서 방법을 평가하고 관련 베이스라인과 비교한 결과, 베이스라인이 보수적이거나 완전히 실패하는 경우에도 본 방법이 큰 안전 집합을 안정적으로 복구함을 보여준다. 또한 본 방법으로 학습한 신경 CBF를 사용하여 이동 로봇이 보행자를 안전하게 회피하는 하드웨어 실험을 수행한다.

arXiv:2607.20674v1cs.LG

제어 장벽 함수 층을 이용한 고차원 안전 최적 피드백 제어의 엔드투엔드 학습

End-to-End Learning of Safe Optimal Feedback Control in High Dimensions with Control Barrier Function Layers

제어 장벽 함수(CBF)에 의해 강제되는 엄격한 안전 제약 하에서 고차원 반전역(semi-global) 피드백 제어기를 학습하는 문제를 고려한다. CBF를 엔드투엔드 정책 학습에 통합하려면 이차 계획(quadratic program) 기반 안전 필터를 최적화 층으로 임베딩해야 하지만, 계산 및 미분 병목으로 인해 기존 접근법은 대체로 저차원 시스템, 일반적으로 상태 차원이 최대 16인 경우에 국한되었다. 연산자 분할(operator splitting)과 최근 개발된 야코비안-프리 역전파(Jacobian-Free Backpropagation, JFB) 방법을 결합하여 CBF 안전 필터를 통해 엄격한 안전 보장을 유지하면서 확장 가능한 엔드투엔드 학습을 가능하게 함으로써 이 한계를 해결한다. 비매끄러 분석(nonsmooth analysis) 기법을 사용하여 이 학습 방법론을 이론적으로 정당화하고, 상태 및 제어 차원이 각각 최대 1200과 400인 고차원 다중 에이전트 비선형 제어 문제에서 그 효과를 입증한다.

arXiv:2606.17414v1cs.LG

적대적 우주선 근접 작전에서의 적응형 안전 중심 제어를 위한 메모리 효율적인 메타 강화학습

Memory-Efficient Meta-Reinforcement Learning for Adaptive Safety-Critical Control in Adversarial Spacecraft Proximity Operations

자율 우주선 랑데부 및 근접 작전(RPO)은 연료 소비를 최소화하는 동시에 추력 제약 조건 하에서 안전성을 보장하는 제어기를 필요로 합니다. 입력 제약 제어 장벽 함수(ICCBFs)는 전방 불변(forward-invariant) 안전 집합을 구성하여 구동 제약이 있는 비선형 시스템에 대한 제어 방법을 제공합니다. 기존 연구에서는 메타 강화학습(meta-RL)을 통해 ICCBF 재귀를 정의하는 클래스-$\mathcal{K}$ 함수를 학습하면 RPO의 안전 중심 제어에 대해 강건하고 비탐욕적(non-greedy)인 접근 방식이 제공됨을 보여주었습니다. 본 논문은 메타 강화학습을 통한 ICCBF 클래스-K 함수 튜닝을 위한 최적의 설정을 식별하기 위해 세 가지 순환 네트워크 아키텍처(LSTM, GRU, 선택적 상태 공간 모델(Mamba))와 두 가지 학습 알고리즘(근접 정책 최적화(PPO) 및 소프트 액터-크리틱(SAC))의 성능을 조사하여 해당 프레임워크를 더욱 확장합니다. 협력적 테스트 케이스 외에도, 목표 우주선이 추격 우주선의 안전성을 저해하는 방식으로 행동하는 적대적 행동이 존재하는 상황에서 성능을 평가합니다. 결과에 따르면, PPO와 함께 사용된 Mamba와 같은 상태 공간 모델은 테스트된 모든 협력적 및 비협력적 시나리오에서 다른 아키텍처와 비교하여 우수한 작업 완료율, 안전성 및 연료 절감 효과를 달성하는 것으로 나타났습니다.

arXiv:2606.12640v1cs.LG

안전한 오프라인 다중 에이전트 강화학습을 위한 개별 제어 장벽 함수 유도 확산 모델

Individual Control Barrier Functions-Guided Diffusion Model for Safe Offline Multi-Agent Reinforcement Learning

기존 확산 모델 기반 오프라인 강화학습이 다중 에이전트 환경의 안전성 문제를 다루지 못하는 점을 해결하기 위해, 신경망 기반 개별 제어 장벽 함수를 확산 모델에 통합하여 궤적 생성 시 안전성을 강화하는 알고리즘을 제안합니다. 제안된 방법은 다양한 벤치마크에서 경쟁력 있는 보상을 유지하면서도 안전성을 크게 향상시킵니다.