arXiv · cs.AI · Chandrakiran Ravula, Siddhanth Ramesh · 9 小时前模型评分32
用神经控制屏障函数实现安全感知的潜空间运动规划
Control Barrier Functions for Safety-Aware Latent-Space Motion Planning
导读
研究用潜空间中学到的神经控制屏障函数（CBF，Control Barrier Function）替换碰撞分类器，为机械臂潜空间路径规划提供前向不变性保证。在 7-DoF Franka Panda 上，该方法固定障碍任务成功率达 75.6%，比 35 组调优分类器配置中最优者高 12.0 个百分点，多位置任务为 83.8%。
分类置信度
中 · 待人工复核
- 只有单一媒体来源，需要人工复核。
来源级别：媒体与个人
应用领域：制造与工业
事件类型：研究发布
证据摘录
- “We replace the classifier with a neural control barrier function (CBF) learned directly in the latent space.”
- “On a 7-DoF Franka Panda manipulator, the CBF planner achieves a 75.6\% success rate on a fixed-obstacle task, 12.0 percentage points above the best of 35 tuned classifier configurations, and 83.8\% on a multi-position task.”
- “In a fully general random-obstacle setting, success drops to 33.0\%, which we trace to covariate shift between the obstacle-blind training transitions and the states visited by the corrected planner.”
来源：arXiv · cs.AI · arxiv.org