Domain Adaptive Safety Filters via Deep Operator Learning

要約

コントロールバリア機能（CBF）を構築するための学習ベースのアプローチは、セーフティクリティカルな制御システム向けにますます検討されています。
ただし、これらの方法は通常、目に見えない環境に適用する場合は完全な再トレーニングが必要となり、適応性が制限されます。
これに対処するために、CBF を直接学習するのではなく、環境パラメーターから対応する CBF へのマッピングを学習する、自己教師ありの深いオペレーター学習フレームワークを提案します。
私たちのアプローチはパラメトリック偏微分方程式 (PDE) の残差を活用しており、解は最大制御不変量集合を近似するパラメトリック CBF を定義します。
このフレームワークは、複雑な安全制約、より高い相対度、および作動制限に対応します。
動的障害物を伴うナビゲーションタスクに関する数値実験を通じて、この方法の有効性を実証します。

要約(オリジナル)

Learning-based approaches for constructing Control Barrier Functions (CBFs) are increasingly being explored for safety-critical control systems. However, these methods typically require complete retraining when applied to unseen environments, limiting their adaptability. To address this, we propose a self-supervised deep operator learning framework that learns the mapping from environmental parameters to the corresponding CBF, rather than learning the CBF directly. Our approach leverages the residual of a parametric Partial Differential Equation (PDE), where the solution defines a parametric CBF approximating the maximal control invariant set. This framework accommodates complex safety constraints, higher relative degrees, and actuation limits. We demonstrate the effectiveness of the method through numerical experiments on navigation tasks involving dynamic obstacles.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google