論文要約：ReLU バリア関数を用いた入力制約付き非線形システムの安全保証

〜不変集合の和（UIS）アプローチ〜

著者: Pouya Samanipour, Hasan A. Poonawala (ケンタッキー大学)

1. 背景と課題

動的システム、特にロボット工学や自動運転における制御において、安全性の保証は極めて重要です。制御バリア関数（CBF）は、入力制約（飽和など）が存在する状況下でも、システム軌道が安全領域内に留まることを形式的に保証する手法として注目されています。

しかし、非線形システムにおいて入力制約を考慮した CBF を合成する際には、以下の主要な課題が存在します。

1. 計算の非凸性と実用性: 非線形ダイナミクスと入力制約を同時に扱う CBF 合成は、一般的に非凸最適化問題となり、計算的に扱いにくい（intractable）です。
2. 保守性（Conservatism）: 従来の手法では、計算の容易さのために線形な拡張クラス-K 関数 $\alpha(\cdot)$ を選択することが多く、これにより保証される不変集合（安全領域）が過剰に小さくなってしまう傾向があります。
3. 既存の機械学習アプローチの限界: ニューラルネットワークを用いた CBF は非凸な訓練を必要とし、検証に莫大なコストがかかるか、入力飽和下での凸合成を保証できないという問題があります。

2. 提案手法：近似・検証パイプラインと UIS

本論文は、入力制約付き非線形システムに対して、凸最適化の利点を保ちつつ保守性を低減し、より大きな安全領域を証明する新しいフレームワークを提案しています。

2.1 全体アーキテクチャ

提案手法は以下の 5 つのステップからなる「近似・検証パイプライン」を採用しています。

1. 近似 (Approximation): 非線形閉ループダイナミクスを、ReLU ニューラルネットワークから導出された区分的アフィン（PWA）関数で近似します。
2. 合成 (Synthesis): 近似された PWA モデルに対して、線形計画法（LP）に基づいたバリア関数の合成を行います。
3. 拡大 (Enlargement): **不変集合の和（Union of Invariant Sets: UIS）**手法を用いて、複数の異なる $\alpha$ 値から得られた不変集合を統合し、保守性を低減します。
4. 検証 (Verification): 合成された PWA バリア関数が、元の非線形システム（入力制約付き）に対しても CBF 条件を満たすか、**ファセットごとの検証（facet-wise verification）**により確認します。
5. 局所的不確実性更新 (Local Uncertainty Update): 検証で反例（counterexample）が見つかった場合、その局所領域のみでモデルの不確実性を更新し、凸プログラムを再実行してバリア関数を調整します。

2.2 主要な技術的貢献

A. Leaky ReLU による $\alpha(\cdot)$ の近似

従来の線形な $\alpha(s) = \alpha s$ に代わり、2 傾きの Leaky ReLU 関数を拡張クラス-K 関数として採用します。

• 利点: 線形関数に比べて非線形性を表現でき、より大きな不変集合を導出できます。また、任意の非線形関数を最適化する複雑さ（非凸性）を避け、2 つのパラメータ（正負の傾き）のみで済むため、最適化の計算コストを抑えつつ凸性を維持できます。
• 理論的根拠: 定理 1 により、ある $\alpha \in \mathcal{K}_\infty$ で保証される不変集合は、適切な Leaky ReLU 関数でも保証可能であることが示されています。

B. 不変集合の和（Union of Invariant Sets: UIS）

複数の異なる線形 $\alpha$ 値（例：$\alpha_1, \alpha_2, \dots$）に対して個別に LP 問題を解き、得られた複数の不変集合を統合する手法です。

• 最大合成（Max-composition）: 各バリア関数 $h^{(i)}(x)$ に対して、$h(x) = \max_i \{ h^{(i)}(x) \}$ と定義します。
• 効果: この合成関数 $h(x)$ の 0 超レベルセットは、個々の不変集合の和集合となり、単一の最良の $\alpha$ 選択よりも常に大きく、あるいは同等の安全領域を証明できます。
• 計算効率: 追加の最適化計算は不要です。既存の LP 解を最大合成するだけで済むため、計算コストの増加を伴いません。

C. 局所的不確実性更新による厳密な検証

PWA 近似と真の非線形ダイナミクスの誤差を、全領域にわたって過剰に保守的な束縛（global bound）として扱うのではなく、反例が見つかったセル（領域）のみで局所的な不確実性集合 $\Delta_j$ を更新します。

• ファセット検証: バリア関数の 0 等値面は有限個のファセット（平面の断片）に分解できるため、全領域ではなくこれらの境界パッチに対してのみ CBF 条件（ファカルスの補題を用いて入力を消去）をチェックします。これにより検証の効率性が飛躍的に向上します。

3. 実験結果

ペンデュラム（逆転倒振子）とカートポール（逆転倒振子付き台車）のシミュレーションを通じて、提案手法の有効性を検証しました。

• 逆転倒振子 (Inverted Pendulum):

  • 入力飽和条件下で、異なる 3 つの $\alpha$ 値を用いて UIS を適用。
  • 結果、単一の線形 $\alpha$ 設計と比較して、より大きな不変集合が証明されました。
  • 計算時間は約 46 秒（合成 34 秒 + 検証 12 秒）で、実用的な範囲内でした。

• バリア証明書検証 (Barrier Certificate Verification):

  • 既存の研究（SMT や SOS 法を用いたもの）と比較。
  • 本研究は 1 層の ReLU ネットワーク（20 神経）のみを使用し、315 秒以上を要した既存手法に比べ、80 秒で同等以上の安全領域を証明しました。

• カートポール (Cart-Pole):

  • 4 次元の状態空間と入力飽和を持つ複雑なシステム。
  • UIS 手法を適用し、入力制約下でも有効な不変集合を証明しました（総計算時間 1466 秒）。
  • 高次元非線形システムへのスケーラビリティを示しました。

4. 意義と結論

本論文は、入力制約付き非線形システムに対する CBF 合成において、以下の点で重要な貢献をしています。

1. 保守性の低減と計算効率の両立: Leaky ReLU と UIS を組み合わせることで、線形設計の保守性を解消しつつ、非凸最適化や高コストな検証を回避し、凸最適化（LP）の枠組みを維持しました。
2. 厳密な安全性保証: 近似モデルだけでなく、局所的不確実性更新とファセット検証を通じて、元の非線形システムに対する厳密な安全性保証を提供します。
3. 実用性: 既存の機械学習ベースの手法に比べて検証が容易であり、従来の凸最適化ベースの手法に比べて大きな安全領域を達成できるため、実世界の安全クリティカルなシステム（ロボット、自動運転など）への応用可能性が高いです。

将来的には、より高次元のシステムへのスケーラビリティ向上や、予測制御（MPC）との統合が課題として挙げられています。