Guaranteed Completion of Complex Tasks via Temporal Logic Trees and Hamilton-Jacobi Reachability
KTH Royal Institute of Technology（瑞典皇家理工学院）；Integrated Transport Research Lab（综合交通研究实验室）；Digital Futures（数字未来）；Simon Fraser University（西蒙菲莎大学）
该研究提出结合Hamilton-Jacobi可达性与时序逻辑树的方法，检测泄漏角问题以验证控制策略存在性，高效合成实时控制输入集保障CPS复杂任务完成，并通过仿真驾驶任务验证了方法有效性。
2024-04-12 cs.RO cs.SY eess.SY
Guaranteed Reach-Avoid for Black-Box Systems through Narrow Gaps via Neural Network Reachability
Georgia Institute of Technology（佐治亚理工学院）；Georgia Tech Europe（佐治亚理工学院欧洲校区）
本文提出NeuralPARC方法，通过扩展PARC并利用ReLU神经网络建模黑盒系统轨迹，在考虑建模误差下计算可达集，保证系统在狭窄障碍间隙中安全到达目标，仿真与实际实验验证了其优于PARC的有效性。
2025-03-03 cs.RO cs.SY eess.SY
Conservative Linear Envelopes for Nonlinear, High-Dimensional, Hamilton-Jacobi Reachability
针对非线性高维Hamilton-Jacobi可达性分析，将非线性与线性模型误差转化为对抗性扰动，利用广义Hopf公式实现保守且计算可行的可达性分析与控制综合，并通过示例验证有效性。
2025-06-19 cs.SY eess.SY math.OC
Sampling-based Reachability Analysis: A Random Set Theory Approach with Adversarial Sampling
Stanford University（斯坦福大学）
可达性分析是许多应用的核心，从神经网络验证到不确定系统的安全轨迹规划。然而，这个问题是众所周知的挑战性，目前的方法往往是过于限制，过于缓慢，过于保守，或近似，因此缺乏保证。在本文中，我们提出了一个简单而有效的基于采样的方法来执行可达性分析的任意动力系统。我们的关键新的想法包括使用随机集理论给出了严格的解释我们的方法，并证明它返回的集合，保证收敛到凸壳的真正的可达集。此外，我们利用最近在鲁棒深度学习方面的工作，提出了一种新的对抗性采样方法来增强我们的算法并加速其收敛。我们证明了我们的方法是更快，更少的保守性比以前的工作，目前的结果近似可达性分析的神经网络和鲁棒轨迹优化的高维不确定非线性系统，并讨论了未来的应用。
2020-11-08 cs.RO cs.SY eess.SY
Online, Reachability-Aware, Sampling-Based Motion Planning
本文提出一种在线可达性感知的基于采样的运动规划方法，通过快速区间流水线计算可达集超近似，在无需预计算下达到先进性能，并显著降低安全违规。
2026-09-09 cs.RO cs.SY eess.SY
Reachability-Based Safety Guarantees using Efficient Initializations
Department of Electrical Engineering and Computer Sciences at UC Berkeley（加州大学伯克利分校电气工程和计算机科学系）
本文提出了一种基于可达性的安全性保证方法，通过使用高效初始化来加速HJI分析，从而在动态变化的环境中提供更精确的安全保障。
2019-03-18 cs.SY eess.SY
Safe Platooning of Unmanned Aerial Vehicles via Reachability
University of California, Berkeley（加州大学伯克利分校）
本文提出基于HJ可达性的安全控制器，通过混合系统模型和允许的机动集分析，确保无人机编队在单高度范围内的安全，同时在多高度范围内应对多重安全故障。
2016-03-21 cs.SY eess.SY
A Risk-Sensitive Finite-Time Reachability Approach for Safety of Stochastic Dynamic Systems
University of California, Berkeley（加州大学伯克利分校）；SRI International（SRI国际研究所）；Stanford University（斯坦福大学）；OptiRTC, Inc.（OptiRTC公司）；Tufts University（塔夫茨大学）
本文提出一种风险敏感的有限时间可达性方法，用于在非对抗性扰动下确保随机动态系统的安全性，通过引入风险敏感安全集的概念，并将其转化为马尔可夫决策过程的求解问题，提供了一种可计算的算法来近似该安全集，并通过实际案例验证了方法的有效性。
2019-04-30 cs.SY eess.SY
Reachability-Based Safety and Goal Satisfaction of Unmanned Aerial Platoons on Air Highways
Department of Electrical Engineering and Computer Sciences（电气与计算机工程科学系）
本文提出利用空气高速路结构对无人机编队进行 tractable 分析，通过混合系统模型和 Hamilton-Jacobi 可达性方法，确保编队在不同模式转换中的安全性和目标满足性，同时通过仿真验证了该方法的有效性。
2017-01-31 cs.MA cs.SY eess.SY
Scalable Learning of Safety Guarantees for Autonomous Systems using Hamilton-Jacobi Reachability
像飞机和辅助机器人这样的自主系统通常在保证安全至关重要的情况下运行。像Hamilton-Jacobi可达性这样的方法可以为这样的系统提供有保证的安全集和控制器。然而，通常这些相同的场景具有未知或不确定的环境，系统动态或其他代理的预测。随着系统的运行，它可能会学习有关这些不确定性的新知识，因此应相应地更新其安全分析。然而，由于分析的计算复杂性，学习和更新安全分析的工作仅限于大约二维的小系统。在本文中，我们综合了几种技术，以加快计算：分解，热启动，自适应网格。使用这个新的框架，我们可以更新安全集的速度比以前的工作快一个或多个数量级，使这项技术适用于许多现实的系统。我们展示了我们的结果模拟2D和10 D近悬停四轴飞行器在有风的环境中工作。
2021-04-02 cs.LG cs.RO cs.SY
Density Planner: Minimizing Collision Risk in Motion Planning with Dynamic Obstacles using Density-based Reachability
Technical University of Munich（慕尼黑工业大学）；Massachusetts Institute of Technology（麻省理工学院）；Boston University（波士顿大学）
本文提出密度规划器，利用神经网络与Liouville方程学习不确定系统密度演化，通过梯度优化最小化碰撞风险，在动态障碍物环境中实现比模型预测控制快100倍的在线规划。
2023-02-27 cs.RO cs.SY eess.SY
Multi-objective minimum time optimal control for low-thrust trajectory design
针对小推力航天器轨道设计的无限和有限时域多目标最优化问题，提出了一种可达性方法。该方法的主要优点是可以有效地从Hamilton-Jacobi-Bellman方程解的零水平集构造Pareto前沿。我们证明了所提出的方法，将其应用到一个小推力航天器的轨道设计问题。通过推导哈密顿量的解析表达式和最优控制策略，我们能够有效地计算向后可达集和重构最优轨迹。此外，我们将保证任何重建的轨迹是弱帕累托最优的。该方法可作为未来研究的基准，可达性分析应用于小推力航天器轨道设计。
2022-02-17 cs.SY eess.SY math.OC
Learning Neural Network Safe Tracking Controllers from Backward Reachable Sets
本文提出利用后向可达集设计神经网络安全跟踪控制器，通过轨迹合成和可达集构建提升系统安全性与鲁棒性。
2025-11-26 cs.SY eess.SY
SEAL: Safety Enhanced Trajectory Planning and Control Framework for Quadrotor Flight in Complex Environments
针对四旋翼在风扰动和动态障碍物环境中的安全飞行问题，提出SEAL框架，通过广义比例积分观测器在规划与控制阶段同时估计风扰动，结合HJ可达性分析保证轨迹安全性，并采用NMPC控制器实现鲁棒跟踪。
2025-03-05 cs.SY eess.SY
Robust Multi-Agent Pursuit with Preemptive Communication via Reachability-Based Control Barrier Functions
NC State University（北卡罗来纳州立大学）
本研究提出基于可达性控制障碍函数的统一控制/通信策略，在追捕-逃避场景中验证其可在通信中断时保证智能体安全，抢先通信可减少77.5%消息量且实现零碰撞。
2026-10-16 cs.MA cs.RO cs.SY
Refining Almost-Safe Value Functions on the Fly
University of California, San Diego（加州大学圣地亚哥分校）
本文提出refineCBF和HJ-Patch方法，通过实时在线适应提升机器人系统的安全性和鲁棒性。
2026-02-26 cs.RO cs.SY eess.SY
Rapid Path Planning for Dubins Vehicles under Environmental Currents
University of Connecticut（康涅狄格大学）；Naval Undersea Warfare Center（海军水下作战中心）
本文提出了一种快速的（实时的）解决方案的最小时间路径规划问题的Dubins车辆在环境流（风或洋流）。实时解决方案在时间紧迫的情况下至关重要（例如在动态变化的环境下重新规划或跟踪快速移动的目标）。通常，杜宾问题需要求解六种路径类型;然而，由于电流的存在，其中四种路径类型需要求解涉及超越函数的求根问题。因此，现有的方法导致高的计算时间，其适用性的实时应用是有限的。在这方面，为了获得一个实时的解决方案，本文提出了一种新的方法，其中只有一个子集的两个Dubins路径类型（LSL和RSR）被使用，有直接的解析解存在的电流。然而，这两种路径类型不提供完全可达性。我们表明，通过扩展的可行范围内的圆弧在LSL和RSR路径类型从$2π$ $4π$：1）完全可达性的任何目标构成的保证，和2）路径与相应的$2π$弧路径相比，可以产生较低的时间成本。理论性质严格建立，支持几个例子，并通过广泛的蒙特卡罗模拟比较Dubins的解决方案进行评估。
2020-09-09 cs.RO cs.SY eess.SY
Secondary Controller Design for the Safety of Nonlinear Systems via Sum-of-Squares Programming
针对对抗信号下的非线性多项式控制系统，提出基于 Lyapunov 可达性与 SOS 规划的安全验证条件，并在安全无法保证时综合多项式次级控制器，仿真验证了有效性。
2023-04-20 cs.SY eess.SY math.OC
Winning a Won Game: Strict Reach-Avoid-Stay Control Barrier Functions for High-Dimensional Black-Box Systems
Princeton University（普林斯顿大学）；Johns Hopkins University（约翰霍普金斯大学）
针对高维黑盒系统，提出结合驻留与可达-避免价值的严格可达-避免-驻留Q控制屏障函数安全过滤器，在无需模型下保证安全到达并驻留，经四足跳跃和F1TENTH实验验证。
2026-09-18 cs.RO cs.SY eess.SY
Goal-Reaching Trajectory Design Near Danger with Piecewise Affine Reach-avoid Computation
School of Mechanical Engineering at the Georgia Institute of Technology（佐治亚理工学院机械工程学院）
针对窄间隙近危险场景下传统可达性分析过于保守、难以到达目标的问题，本文提出PARC方法，通过紧密近似规划模型可达集并处理时变跟踪误差，实现可证明安全的高性能避障到达。
2024-05-28 cs.RO cs.SY eess.SY
A Physics-Informed Machine Learning Framework for Safe and Optimal Control of Autonomous Systems
Center for Cyber Physical Systems, Indian Institute of Science, Bangalore, India（印度科学理工学院网络物理系统中心）
针对自主系统中安全与性能难以联合优化的问题，提出一种基于物理信息机器学习的框架，将问题表述为状态约束最优控制并求解HJB方程，结合共形预测验证量化误差，实现了安全与性能的协同优化。
2025-05-28 cs.AI cs.RO cs.SY
