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
Dense Object Netsによるロボット操作のための密な視覚記述子学習
(Dense Object Nets: Learning Dense Visual Object Descriptors By and For Robotic Manipulation)
確率的勾配MCMCと差分プライバシーの接点
(On Connecting Stochastic Gradient MCMC and Differential Privacy)
アナログ時計を読めるのか?――Have Multimodal Large Language Models (MLLMs) Really Learned to Tell the Time on Analog Clocks?
単語埋め込みにおける性別バイアスがうつ病予測へ与える影響
(The effects of gender bias in word embeddings on depression prediction)
CNN特徴は教師なし分類にも強力である
(CNN features are also great at unsupervised classification)
産業プロセスのインテリジェント制御における強化学習とベイズ最適化の交差点 — Intersection of Reinforcement Learning and Bayesian Optimization for Intelligent Control of Industrial Processes: A Safe MPC-based DPG using Multi-Objective BO
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