Learning-Based Control Barrier Function with Provably Safe Guarantees: Reducing Conservatism with Heading-Aware Safety Margin

要約

車のようなロボットの衝突回避における保守主義を軽減するために、学習ベースのコントロールバリア関数 (CBF) を提案します。
従来の CBF では、多くの場合、ロボットの中心間のユークリッド距離を安全マージンとして使用し、機首方位を無視し、ジオメトリを円に単純化します。
これにより、CBF に必要なスムーズで差別化可能な安全機能が保証されますが、狭い環境では過度に保守的になる可能性があります。
この制限に対処するために、ロボットの向きを考慮した進行方向を考慮した安全マージンを設計し、安全領域の保守的でなくより正確な推定を可能にします。
この安全マージンを計算する関数は微分不可能であるため、ニューラル ネットワークで近似して微分可能性を確保し、CBF との統合を容易にします。
有界学習誤差を達成し、CBF に上限を組み込んで前方不変性による正式な安全保証を提供する方法について説明します。
私たちの CBF は、非線形運動学自転車モデルによってダイナミクスがモデル化される 2 台のロボットを備えたシステムの相対次数 2 の高次 CBF であることを示します。
追い越しおよび迂回シナリオでの実験結果では、安全性を維持しながら、従来の方法と比較して保守性が 33.5% 減少することが明らかになりました。
コード: https://github.com/bassamlab/sigmarl

要約(オリジナル)

We propose a learning-based Control Barrier Function (CBF) to reduce conservatism in collision avoidance of car-like robots. Traditional CBFs often use Euclidean distance between robots’ centers as safety margin, neglecting headings and simplifying geometries to circles. While this ensures smooth, differentiable safety functions required by CBFs, it can be overly conservative in tight environments. To address this limitation, we design a heading-aware safety margin that accounts for the robots’ orientations, enabling a less conservative and more accurate estimation of safe regions. Since the function computing this safety margin is non-differentiable, we approximate it with a neural network to ensure differentiability and facilitate integration with CBFs. We describe how we achieve bounded learning error and incorporate the upper bound into the CBF to provide formal safety guarantees through forward invariance. We show that our CBF is a high-order CBF with relative degree two for a system with two robots whose dynamics are modeled by the nonlinear kinematic bicycle model. Experimental results in overtaking and bypassing scenarios reveal a 33.5 % reduction in conservatism compared to traditional methods, while maintaining safety. Code: https://github.com/bassamlab/sigmarl

arxiv情報

提供元, 利用サービス

arxiv.jp, Google