本論文は、Junsik Eom 氏ともう1名の共著者によって 2026 年 6 月 2 日に arXiv に投稿された研究で、動的かつ不確実な環境における安全なナビゲーションを扱う。論文はロボティクス（cs.RO）に分類され、IEEE Robotics and Automation Letters への投稿済みである。著者らは、真の不確実性分布に関する仮定を必要としない、リスクを考慮した計画・制御の枠組みを提案している。
研究の動機は実務上のジレンマにある。動的で不確実な環境での安全なナビゲーションは、通常、真の不確実性の正確な推定、あるいはそれに関する何らかの仮定に依存している。しかし、データが限られていたり情報が不完全であったりする場合、真の不確実性分布を正確に特徴づけることはしばしば困難である。著者らは、不確実性とそれに伴うリスクに関する誤った理解が、たとえ高いリスク回避度を設定していても危険な意思決定につながり得ると指摘する。つまり、リスク回避の度合いを高めるだけでは、分布仮定の誤りを補えないということである。
この問題に対処するため、著者らは予測集合を組み込んだリスク考慮型モデル予測制御（RA-MPC）フレームワークを提案する。この枠組みは、基礎となる不確実性分布についての仮定を一切必要とせずに、リスクをユーザー指定のしきい値以下に制御することを保証する。予測集合を生成するために、研究チームは分布的仮定を必要としないリスク定量化フレームワークを開発し、共形リスク制御（CRC）を一般的なスペクトルリスク尺度へと拡張した。これにより、従来の共形予測よりも広範なリスク形式を扱えるようになる。
さらに論文は理論的保証を示す。予測集合を MPC フレームワークに組み込むことで、不確実性モデルが誤って設定されている場合でも、スペクトルリスク制約の充足に関して統計的な安全性保証が得られる。これは、安全性が不確実性モデル自体の正しさに依存しがちな従来のリスク考慮型制御に対する際立った利点である。
実験面では、著者らはシミュレーションによる車両の障害物回避シナリオで提案フレームワークを検証した。結果は、ベースラインの RA-MPC フレームワークと比較して、安全性を向上させつつ求解時間を短縮できることを示しており、理論的保証だけでなく計算効率の面でも実用性があることを示唆している。論文は 168 KB の投稿内容に加え、PDF、実験的な HTML、TeX ソースなど複数の形式で閲覧可能となっている。