Neural Control Barrier Functions for Safe Navigation

要約

ロボットの自律ナビゲーションは、特に周囲の環境が不明でロボットの安全性が重要な場合に、特に要求が厳しくなる可能性があります。
この研究は、未知の環境での安全なナビゲーションのためのデータを介したコントロール バリア機能 (CBF) の合成に関連しています。
状態依存リカッチ方程式 (SDRE) にヒントを得て、シミュレーションで CBF と対応する安全コントローラーを共同学習する新しい方法論が提案されています。
CBF は、安全でない可能性がある公称コントローラから許容されるコマンドを取得するために使用されます。
一貫したマップや位置推定を必要とせずに、安全フィルター内で CBF を適用するアプローチが開発されました。
その後、結果として得られた反応性安全フィルターが、シミュレーションと実世界の実験の両方で、LiDAR センサーを統合するマルチコプター プラットフォームに展開されます。

要約(オリジナル)

Autonomous robot navigation can be particularly demanding, especially when the surrounding environment is not known and safety of the robot is crucial. This work relates to the synthesis of Control Barrier Functions (CBFs) through data for safe navigation in unknown environments. A novel methodology to jointly learn CBFs and corresponding safe controllers, in simulation, inspired by the State Dependent Riccati Equation (SDRE) is proposed. The CBF is used to obtain admissible commands from any nominal, possibly unsafe controller. An approach to apply the CBF inside a safety filter without the need for a consistent map or position estimate is developed. Subsequently, the resulting reactive safety filter is deployed on a multirotor platform integrating a LiDAR sensor both in simulation and real-world experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google