Neural Control Barrier Functions from Physics Informed Neural Networks

要約

自律システムが日常生活でますます普及するにつれて、彼らの安全が最も重要であることを保証します。
制御バリア関数（CBFS）は、安全性を保証するための効果的なツールとして浮上しています。
ただし、特定のアプリケーションのために手動で設計することは依然として重要な課題です。
深い学習技術の出現により、最近の研究では、ニューラルネットワークを使用して、神経CBFと呼ばれるニューラルネットワークを使用してCBFSの合成が調査されています。
このペーパーでは、安全性のコンテキスト内にズボフの部分微分方程式（PDE）を組み込むことにより、物理学にインスパイアされたニューラルネットワークフレームワークを活用するニューラルCBFの新しいクラスを紹介します。
このアプローチは、高次元システムに適用可能な神経CBFを合成するためのスケーラブルな方法論を提供します。
さらに、CBFをゼロ化する代わりに相互のCBFを利用することにより、提案されたフレームワークにより、柔軟なユーザー定義の安全な領域の仕様が可能になります。
アプローチの有効性を検証するために、3つの異なるシステムに関するケーススタディを提示します。逆骨を備えた環境での倒立振り子、自律的な地上ナビゲーション、空中ナビゲーションです。

要約(オリジナル)

As autonomous systems become increasingly prevalent in daily life, ensuring their safety is paramount. Control Barrier Functions (CBFs) have emerged as an effective tool for guaranteeing safety; however, manually designing them for specific applications remains a significant challenge. With the advent of deep learning techniques, recent research has explored synthesizing CBFs using neural networks-commonly referred to as neural CBFs. This paper introduces a novel class of neural CBFs that leverages a physics-inspired neural network framework by incorporating Zubov’s Partial Differential Equation (PDE) within the context of safety. This approach provides a scalable methodology for synthesizing neural CBFs applicable to high-dimensional systems. Furthermore, by utilizing reciprocal CBFs instead of zeroing CBFs, the proposed framework allows for the specification of flexible, user-defined safe regions. To validate the effectiveness of the approach, we present case studies on three different systems: an inverted pendulum, autonomous ground navigation, and aerial navigation in obstacle-laden environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google