3 分で読了
0 views

Learning a Better Control Barrier Function Under Uncertain Dynamics

(不確かな力学下でより良い制御バリア関数を学習する)

さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として
一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、
あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

田中専務

拓海先生、最近部下から「制御バリア関数ってやつを導入すれば安全が担保できる」と言われましたが、そもそもそれが何かわかっていません。現場は古い機械だらけで、動きのモデルすら完全ではないんです。これって本当に現場で使えるのでしょうか。

AIメンター拓海

素晴らしい着眼点ですね!まず安心してください、できないことはない、まだ知らないだけです。制御バリア関数、英語でControl Barrier Function(CBF、コントロールバリア関数)とは、機械やロボットがしてはいけない領域を数学的に定め、その領域に入らないようにするための安全ブレーキのようなものですよ。

田中専務

それは分かりやすいです。ですがうちの装置は経年変化で動きが変わっており、設計図どおりに動きません。論文では不確かな力学、つまりUncertain Dynamicsという言葉が出てきますが、これが肝でしょうか。

AIメンター拓海

その通りです。Uncertain Dynamics(不確かな力学)とは、実際の機械の動きが設計のモデルとずれている状況を指します。この論文は、最初に手作りで用意する保守的なCBF(Handcrafted CBF、HCBF)と、名目上のモデルを出発点にして、学習でCBFと動力学モデルを同時に改善する手法を提示しています。要点を3つにまとめると、安全を数学的に担保する枠組みを保ちながら、現場の不確かさを学習で減らす、という点です。

田中専務

これって要するに〇〇ということ?

AIメンター拓海

大変良い確認です!もう少し具体的に言うと、要するに安全の

監修者

阪上雅昭(SAKAGAMI Masa-aki)
京都大学 人間・環境学研究科 名誉教授

論文研究シリーズ
前の記事
ゼロサムゲームにおけるサブゲームカリキュラムでマルチエージェント強化学習を加速する
(Accelerate Multi-Agent Reinforcement Learning in Zero-Sum Games with Subgame Curriculum Learning)
次の記事
ターゲット話者抽出のための条件付き拡散モデル
(CONDITIONAL DIFFUSION MODEL FOR TARGET SPEAKER EXTRACTION)
関連記事
見る、聞く、学ぶ
(Look, Listen and Learn)
データから概念へ、そして文章へ
(Data2Concept2Text: An Explainable Multilingual Framework for Data Analysis Narration)
分散環境で大規模言語モデルを効率的に微調整する枠組み:GradualDiff-Fed
(GradualDiff-Fed: A Federated Learning Specialized Framework for Large Language Model)
無限の構造解析:集合論と現代代数の接点
(A Structural Analysis of Infinity in Set Theory and Modern Algebra)
自動化因果発見への挑戦:5G通信データのケーススタディ
(Towards Automated Causal Discovery: A Case Study on 5G Telecommunication Data)
SATIN:衛星画像分類のためのマルチタスク・メタデータセット
(SATIN: A Multi-Task Metadataset for Classifying Satellite Imagery using Vision-Language Models)
この記事をシェア

有益な情報を同僚や仲間と共有しませんか?

AI技術革新 - 人気記事
ブラックホールと量子機械学習の対応
(Black hole/quantum machine learning correspondence)
生成AI検索における敏感なユーザークエリの分類と分析
(Taxonomy and Analysis of Sensitive User Queries in Generative AI Search System)
DiReDi:AIoTアプリケーションのための蒸留と逆蒸留
(DiReDi: Distillation and Reverse Distillation for AIoT Applications)

PCも苦手だった私が

“AIに詳しい人“
として一目置かれる存在に!
  • AIBRプレミアム
  • 実践型生成AI活用キャンプ
あなたにオススメのカテゴリ
論文研究
さらに深い洞察を得る

AI戦略の専門知識を身につけ、競争優位性を構築しませんか?

AIBR プレミアム
年間たったの9,800円で
“AIに詳しい人”として一目置かれる存在に!

プレミア会員になって、山ほどあるAI論文の中から効率よく大事な情報を手に入れ、まわりと圧倒的な差をつけませんか?

詳細を見る
【実践型】
生成AI活用キャンプ
【文部科学省認可】
満足度100%の生成AI講座
3ヶ月後には、あなたも生成AIマスター!

「学ぶ」だけではなく「使える」ように。
経営者からも圧倒的な人気を誇るBBT大学の講座では、3ヶ月間質問し放題!誰1人置いていかずに寄り添います。

詳細を見る

AI Benchmark Researchをもっと見る

今すぐ購読し、続きを読んで、すべてのアーカイブにアクセスしましょう。

続きを読む