Designing Control Barrier Function via Probabilistic Enumeration for Safe Reinforcement Learning Navigation

要約

安全な自律ナビゲーションシステムを実現することは、動的で不確実な現実世界環境でロボットを展開するために重要です。
この論文では、安全な強化学習ナビゲーションポリシーを保証する制御バリア関数（CBF）およびポリシー修正メカニズムを設計するためのニューラルネットワーク検証手法を活用する階層制御フレームワークを提案します。
私たちのアプローチは、確率的列挙に依存して、危険な動作領域を特定し、任意のポリシーに適用される安全なCBFベースの制御層を構築するために使用されます。
標準のモバイルロボットベンチマークと非常に動的な水生環境監視タスクを使用して、シミュレーションと実際のロボットの両方でフレームワークを検証します。
これらの実験は、効率的なナビゲーション動作を維持しながら、安全でないアクションを修正する提案されたソリューションの能力を示しています。
私たちの結果は、複雑なシナリオで安全で堅牢なナビゲーション行動を可能にするために、階層的検証ベースのシステムを開発するという約束を示しています。

要約(オリジナル)

Achieving safe autonomous navigation systems is critical for deploying robots in dynamic and uncertain real-world environments. In this paper, we propose a hierarchical control framework leveraging neural network verification techniques to design control barrier functions (CBFs) and policy correction mechanisms that ensure safe reinforcement learning navigation policies. Our approach relies on probabilistic enumeration to identify unsafe regions of operation, which are then used to construct a safe CBF-based control layer applicable to arbitrary policies. We validate our framework both in simulation and on a real robot, using a standard mobile robot benchmark and a highly dynamic aquatic environmental monitoring task. These experiments demonstrate the ability of the proposed solution to correct unsafe actions while preserving efficient navigation behavior. Our results show the promise of developing hierarchical verification-based systems to enable safe and robust navigation behaviors in complex scenarios.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google