自動運転などの安全クリティカルなアプリケーションでは、安全制御が広く研究されている。自動運転車が他の車両と衝突しないようにするためには、周囲車両の行動を正確に予測し、適応的に反応することが不可欠である。最近の研究では、すべての車両が完全に協力的で同質な安全コントローラを使用していると仮定する代わりに、観測データから近隣車両の基盤となるコントローラをモデル化するデータ駆動型アプローチが模索されている。しかし、既存の研究には二つの問題がある。一つはマルチビークルインタラクションにおける車両間の影響により、コントローラモデリングにおいて周囲車両の行動の因果性を特定するのが難しいこと。もう一つは最悪ケース分析に支配され、過度に保守的な行動につながる可能性があることである。
本論文では、先行研究であるパラメトリック制御バリア関数（Parametric-CBF）をマルチロボットインタラクションに拡張し、因果推論を組み込むことで車両間の影響を明示的に推論する。学習された因果性ベースのパラメトリックCBFを用いて、自車両が学習された期待に基づいて周囲車両に安全に反応できる適応的安全クリティカルコントローラを提案する。これにより、保守的な最悪ケース仮定に頼らず、より正確な因果モデリングを通じて安全性を確保しつつ、不要な保守性を低減する。
さらに、マルチビークルシステム間の運動柔軟性を活用することで、インタラクションが密集する様々なシナリオにおいてタスク効率を大幅に改善できることを実証している。本研究はICRA 2026に採択されており、ロボティクス分野における最先端の進展を示している。
まとめると、本論文の主な貢献は、因果推論をパラメトリックCBFフレームワークに導入してマルチビークルインタラクションにおける因果混同問題を解決し、安全を確保しながらタスク効率を最適化する適応的安全コントローラを設計した点にある。