arXiv:2609.12831v2 cs.RO

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

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

Bojan Deraji\'c, Sebastian Bernhard, Wolfgang H\"onig

제출 2026-09-24

한국어 초록

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.

원문 초록

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.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.12831v2제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2607.20674v1cs.LG공통 태그 Continuous Control, control barrier functions, safe control

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:2609.28364v1cs.RO공통 태그 Continuous Control, control barrier functions

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:2607.13436v1cs.LG공통 태그 Continuous Control, safe control

분포적으로 강건하고 안전한 모방 학습

Distributionally Robust and Safe Imitation Learning

모방 학습(IL)은 복잡한 의사결정 작업에서 뛰어난 성과를 거두었다. 그러나 그 성능은 분포 변화(distribution shift)에 매우 민감하며, 이는 상당한 안전성 위험을 초래할 수 있다. 본 연구는 정책 유발 및 불확실성 유발 분포 변화를 모두 명시적으로 다루는 분포적으로 강건하고 안전한 모방 학습(IL) 프레임워크를 제안한다. 본 접근법은 정책 유발 변화를 완화하기 위해 테일러 급수 모방 학습(Taylor Series Imitation Learning, TaSIL)을, 불확실성 유발 변화를 처리하기 위해 분포적으로 강건한 적응 제어를 활용하는 통합 프레임워크를 구축한다. 이 아키텍처를 통해 분포적 불확실성 하에서 성능을 최적화하면서 안전성 제약을 체계적으로 고려하는 모방 학습(IL) 문제를 정식화할 수 있다. 제안된 접근법의 효과는 무인 항공기(UAV)가 불확실한 환경에서 작업을 수행하면서 안전하지 않은 영역을 회피하는 무인 항공기(UAV) 사례 연구를 통해 입증한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.