Iterative Semi-parametric Dynamics Model Learning For Autonomous Racing
Munich Electrification（慕尼黑电气化公司）；Arrival（Arrival公司）；The University of Edinburgh（爱丁堡大学）
精确的机器人动力学建模对于安全高效的运动控制至关重要。在本文中，我们开发和应用迭代学习半参数模型，与神经网络，自主赛车的任务与模型预测控制器（MPC）。我们提出了一种新的非线性半参数动力学模型，我们表示已知的动态与参数模型，和一个神经网络捕捉未知的动态。我们表明，我们的模型可以比纯参数模型更准确地学习，并且比纯非参数模型更好地泛化，这使得它非常适合从完整状态空间收集数据不可行的现实应用。我们提出了一个系统，该模型是自举的预先记录的数据，然后在运行时间迭代更新。然后，我们将我们的迭代学习方法应用于自动驾驶赛车的模拟问题，并表明它可以安全地在线适应修改后的动力学，甚至比手动驾驶数据训练的模型具有更好的性能。
2020-11-17 cs.LG cs.RO cs.SY
Safe Motion Planning against Multimodal Distributions based on a Scenario Approach
University of British Columbia（不列颠哥伦比亚大学）
我们提出了一种运动规划算法的设计，以确保安全的自动驾驶汽车。特别是，我们考虑了不确定性的多模态分布;例如，周围车辆未来轨迹的不确定预测反映了离散决策，例如在十字路口转弯或直行。我们开发了一种计算效率高，基于神经网络的方法，解决了运动规划问题，具有较高的置信度，从多模态分布的样本数量可量化。我们的方法基于两个预处理步骤，1）将样本分成不同的聚类，2）为每个聚类计算一个边界多面体。然后，我们重写的运动规划问题近似为一个混合整数问题使用多面体。我们通过nuScenes数据集上的模拟证明，我们的方法在存在多模态不确定性的情况下以高概率确保安全性，并且在计算上比传统的场景方法更有效，更不保守。
2021-08-05 cs.RO cs.SY eess.SY
Safe Adaptive Cruise Control Under Perception Uncertainty: A Deep Ensemble and Conformal Tube Model Predictive Control Approach
University of Michigan（密歇根大学）
本文融合Deep Ensemble与Conformal Prediction量化RGB感知不确定性，并设计Conformal Tube MPC自适应巡航控制器，在高保真仿真及OOD场景中实现概率安全的速度跟踪与车距保持。
2024-12-05 cs.AI cs.RO cs.SY
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California（南加州大学）
控制障碍函数（CBF）被广泛应用于非线性系统的安全临界约束。最近，这些功能被纳入到一个路径规划框架，设计安全关键路线规划。然而，这些方法未能提供一个现实的路径，同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法，使用著名的快速探索随机树（RRT）算法，强制CBF和机器人Kinodynamic约束，以产生一个安全的关键路线。该算法还输出相应的控制信号，导致无障碍路径。该方法还允许考虑模型的不确定性，将鲁棒CBF约束到所提出的框架。因此，所得到的路径没有任何障碍物，并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明，所提出的方法优于传统的基于RRT的路径规划器，保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车，一个微型自主无人地面车辆，执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
A Decision Tree-based Monitoring and Recovery Framework for Autonomous Robots with Decision Uncertainties
University of Virginia（弗吉尼亚大学）
针对自主机器人因学习决策缺陷和自身故障易受损的问题，提出一种结合决策树与模型预测控制的感知不确定性的故障检测与恢复方法，并在无人地面车辆实验中验证了其安全恢复能力。
2023-08-02 cs.RO
Safety Guaranteed Robust Multi-Agent Reinforcement Learning with Hierarchical Control for Connected and Automated Vehicles
University of Maryland（马里兰大学）；Boston University（波士顿大学）；University of Connecticut（康涅狄格大学）
针对混合交通中存在不完美观测和状态不确定性时的多智能体协调难题，提出分层控制方案 Safe-RMM，高层用 RMAPPO 训练并利用最坏情况 Q 网络保证鲁棒性，低层用 MPC 结合 CBFs 确保严格安全，在 CARLA 中表现出最佳的安全与效率。
2024-09-23 cs.MA cs.RO
DRO-EDL-MPC: Evidential Deep Learning-Based Distributionally Robust Model Predictive Control for Safe Autonomous Driving
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（电气工程学院，韩国科学技术院）
DRO-EDL-MPC通过结合证据深度学习和分布鲁棒优化，提升自动驾驶中的安全性和控制可靠性。
2025-12-22 cs.RO
Input-to-State Safe Backstepping: Robust Safety-Critical Control with Unmatched Uncertainties
Department of Electrical and Computer Engineering, North Carolina State University（电气与计算机工程系，北卡罗来纳州立大学）；Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
本文提出了一种针对具有不匹配不确定性的非线性系统，通过构造输入到状态安全框架和最优衰减约束前馈，实现鲁棒安全关键控制的方法，并通过倒立摆和四旋翼实验验证。
2026-02-03 cs.RO cs.SY eess.SY
Online Information-Aware Motion Planning with Inertial Parameter Learning for Robotic Free-Flyers
SGT Inc.（SGT公司）；NASA Ames Research Center（美国国家航空航天局艾姆斯研究中心）；Institute for Systems and Robotics（系统与机器人研究所）；Instituto Superior Técnico（里斯本高等理工学院）；Massachusetts Institute of Technology（麻省理工学院）
像目前在国际空间站上运行的Astrobee机器人这样的太空自由飞行器必须在固有的系统不确定性下运行。质量和转动惯量等参数不确定性在这些安全关键型空间系统中的量化尤为重要，并且可能在诸如在轨货物移动等情况下发生变化，在这些情况下，未知的抓取有效载荷会显著改变系统动态。谨慎地学习这些不确定性的路线，可以潜在地避免时间和燃料消耗的纯系统辨识演习。认识到这一点，这项工作提出了RATTLE，一个在线的信息感知运动规划算法，明确加权参数模型学习加上实时重新规划能力，可以利用改进的系统模型。该方法包括一个两层（全球和本地）的计划，一个低级别的模型预测控制器，和一个在线参数估计器，产生更明智的控制和重新规划的飞行机器人的惯性特性的估计;所有级别的规划和控制功能在线更新的模型。RATTLE的Astrobee自由飞行器抓取一个不确定的有效载荷的模拟结果一起展示的硬件演示的结果，明确鼓励模型参数学习，同时实现其他有用的运动的能力。
2021-12-11 cs.RO
Hi-Drive: Hierarchical POMDP Planning for Safe Autonomous Driving in Diverse Urban Environments
Shanghai Jiao Tong University（上海交通大学）；Shanghai Innovation Institute（上海创新研究院）；SenseTime（商汤科技）
针对城市道路动态不确定性，提出层级式POMDP规划算法Hi-Drive，利用驾驶员模型推断驾驶风格并集成重要性采样轨迹优化，在真实基准上显著超越现有方法。
2025-10-15 cs.AI cs.RO
Trajectory Planning Under Stochastic and Bounded Sensing Uncertainties Using Reachability Analysis
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Stanford University（斯坦福大学）
不确定环境下的轨迹规划是一个非常活跃的研究课题。以前的工作预测状态和状态估计不确定性沿轨迹检查碰撞安全。他们假设随机或有界的传感不确定性。然而，GNSS伪距通常被建模为在城市环境中包含具有附加偏差的随机不确定性。因此，给定偏差的界限，规划者需要考虑随机和有界的传感不确定性。在我们以前的工作中，我们提出了一个可达性分析，预测状态和状态估计的不确定性下的随机和有界的不确定性。然而，我们忽略了这些不确定性之间的相关性，导致状态不确定性的不完美近似。在本文中，我们通过预测状态不确定性作为独立量的函数来改进我们的可达性分析。我们设计了一个度量的预测不确定性比较候选轨迹在规划过程中。最后，对基于GNSS的固定翼无人机城市导航规划器进行了验证。
2020-12-17 cs.RO
DiffCo: Auto-Differentiable Proxy Collision Detection with Multi-class Labels for Safety-Aware Trajectory Optimization
University of California San Diego（加州大学圣地亚哥分校）
轨迹优化算法的目标是实现起始状态和目标状态之间的最优无碰撞路径。在现实世界的场景中，环境可能是复杂和不均匀的，机器人需要能够衡量一个状态是否会与各种物体发生碰撞，以满足一些安全指标。碰撞检测器应该在计算上是高效的，并且理想地，在分析上是可微的，以促进优化期间的稳定和快速的梯度下降。然而，今天的方法缺乏一个优雅的方法来检测碰撞微分，而依赖于数值梯度，可能是不稳定的。我们提出了DiffCo，第一个完全自动微分的非参数碰撞检测模型。它的非参数行为允许人们实时计算碰撞边界并更新它们，不需要预先训练，并允许它在动态环境中不断更新。它通过反向传播为轨迹优化提供了强大的梯度，并且通常比其几何对应物的计算速度快10- 100倍。DiffCo还可以扩展到对不同对象碰撞类进行建模，以实现语义上的轨迹优化。
2022-02-19 cs.LG cs.RO
Real-Time Risk-Bounded Tube-Based Trajectory Safety Verification
Computer Science and Artificial Intelligence Laboratory (CSAIL)（计算机科学与人工智能实验室（CSAIL））；Massachusetts Institute of Technology (MIT)（麻省理工学院（MIT））
研究了自治系统在不确定时变非线性安全约束条件下的连续时间状态轨迹的实时的【形】风险有界安全验证问题.风险被定义为不满足不确定安全约束的概率。现有的解决不确定性下安全验证问题的方法要么局限于特定类别的不确定性和安全约束，例如，高斯不确定性和线性约束，或者依赖于基于采样的方法。在本文中，我们提供了一个快速的凸算法，有效地评估概率非线性安全约束的存在下，任意的概率分布和长的规划视野在实时的【形】，不需要不确定性样本和时间离散化。所提供的方法验证了给定的状态轨迹及其邻域（管）的安全性，以考虑执行的不确定性和风险。在所提供的方法中，我们首先使用的不确定性的概率分布的时刻转换成一组确定性的安全约束的概率安全约束。然后，我们使用基于平方和多项式的凸方法来验证在整个规划时间范围内获得的确定性安全约束，而无需时间离散化。为了说明所提出的方法的性能，我们将所提供的方法应用于自动驾驶车辆和自主飞行器的安全验证问题。
2021-10-01 cs.RO cs.SY eess.SY
Capture Uncertainties in Deep Neural Networks for Safe Operation of Autonomous Driving Vehicles
基于深度神经网络（DNN）的感知和车辆运动的不确定性对安全自动驾驶车辆的开发提出了挑战。在本文中，我们提出了一个安全的运动规划框架，其特点是量化和传播基于DNN的感知不确定性和运动不确定性。这项工作的贡献有两个方面：（1）贝叶斯深度神经网络模型，它检测3D对象并定量捕获DNN的相关随机和认知不确定性;（2）不确定性感知运动规划算法（PU-RRT），它考虑了目标检测和自我车辆运动中的不确定性。通过在内置的CARLA中模拟复杂场景验证了所提出的方法。实验结果表明，所提出的运动规划方案能够有效应对基于DNN的感知和车辆运动的不确定性，提高自主车辆的运行安全性，同时仍能获得理想的效率。
2021-08-11 cs.AI cs.RO cs.SY
Adaptive Safe Merging Control for Heterogeneous Autonomous Vehicles using Parametric Control Barrier Functions
Carnegie Mellon University（卡内基梅隆大学）
随着对机器人安全自主性的日益重视，基于模型的安全控制方法如控制障碍函数已被广泛研究，以确保在机器人之间的相互作用的安全性。在本文中，我们引入了参数控制障碍函数（参数CBF），传统的控制障碍函数的一种新的变体，以扩展其表达能力，在描述不同的安全行为之间的异构机器人。而不是假设合作和同质的机器人使用相同的安全控制器，自我机器人能够通过不同的参数CBF与观察到的数据模型的相邻机器人的底层安全控制器。给定学习的参数CBF和证明的前向不变性，它为自我机器人提供了更大的灵活性，以更好地与其他异构机器人协调，提高效率，同时享受形式上可证明的安全保证。我们展示了使用参数CBF的行为预测和自适应安全控制的坡道合并的情况下，从自动驾驶的应用。与传统的CBF相比，参数CBF的优点是捕捉不同的驱动程序的特性，提供更丰富的描述机器人的行为在安全控制的上下文中。数值仿真验证了该方法的有效性。
2022-02-20 cs.RO
Safe Multi-Agent Interaction through Robust Control Barrier Functions with Learned Uncertainties
California Institute of Technology（加州理工学院）
在现实世界中运行的机器人必须在与许多异构代理和障碍物交互时导航并保持安全。多智能体控制障碍函数（CBF）已经成为一个计算效率高的工具，以保证多智能体环境中的安全，但他们假设完美的知识的机器人动力学和其他代理的动力学。虽然机器人的动态知识可能是相当众所周知的，但现实世界环境中代理的异质性意味着我们对其他代理动态的预测总是存在相当大的不确定性。这项工作的目的是学习这些动态的不确定性，使用矩阵变量高斯过程模型的高置信度界限，并将其纳入一个强大的多智能体CBF框架。我们将得到的最小-最大鲁棒CBF转换成一个二次规划，它可以有效地解决实时的。我们通过仿真结果验证了标称多智能体CBF在智能体交互过程中经常被违反，而我们的鲁棒配方以更高的概率保持安全性并适应学习的不确定性
2020-09-22 cs.LG cs.MA cs.RO
Safe Adaptation with Multiplicative Uncertainties Using Robust Safe Set Algorithm
Carnegie Mellon University（卡内基梅隆大学）
长期以来，在适应下保持安全一直被认为是自治系统的重要能力。由于这些系统估计和改变系统动力学的自我模型，关于如何为这样的系统开发安全保证的问题继续受到关注。我们提出了一种新的鲁棒安全控制方法，使用基于集合的安全约束，使具有动态不确定性的机器人系统安全地适应和运行在其环境中。该方法包括设计一个标量能量函数（安全指标）的自适应系统参数的不确定性和基于优化的控制综合方法。对一个两连杆机械臂进行了仿真研究，结果表明，我们所提出的方法在产生参数不确定性的自适应系统的可证明安全控制方面的有效性。
2021-09-07 cs.RO
Safe Mission Planning under Dynamical Uncertainties
ETH Zürich（苏黎世联邦理工学院）
研究了不确定动态环境下机器人的安全任务规划问题。这个问题出现在监控、紧急救援和自动驾驶等应用中。这是一个具有挑战性的问题，由于建模和集成动态的不确定性到一个安全的规划框架，并找到一个解决方案，在计算上易于处理的方式。在这项工作中，我们首先开发了一个概率模型的动态不确定性。然后，我们提供了一个框架，以生成一个路径，最大限度地提高复杂任务的安全性，结合不确定性模型。我们还设计了一个蒙特卡罗方法，以获得一个安全的路径有效。最后，我们评估了我们的方法的性能，并将其与几个案例研究中的潜在替代方案进行比较。
2020-03-05 cs.AI cs.RO
Robust Safe Control with Multi-Modal Uncertainty
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
针对多模态高斯动力学不确定性与控制限制，提出鲁棒安全控制框架，通过加性/乘性不确定性处理和安全指数综合降低保守性，并在模拟 Segway 上验证其安全可实现性。
2023-09-28 cs.RO
Learning-Based Safety-Stability-Driven Control for Safety-Critical Systems under Model Uncertainties
School of Electronics and Information Technology, Sun Yat-sen University（中山大学电子与信息工程学院）；School of Data and Computer Science, Sun Yat-sen University（中山大学数据与计算机学院）
安全性和跟踪稳定性对于自动驾驶汽车、自主移动机器人、工业机械手等安全关键系统至关重要。为了有效地控制安全关键系统，以确保其安全性并实现跟踪稳定性，通常需要精确的系统动态模型。然而，准确的系统模型并不总是在实践中。针对一类具有控制输入约束的非线性安全临界系统，在模型不确定性条件下，提出了一种基于学习的安全稳定驱动控制（LBSC）算法，以保证系统的安全性和跟踪稳定性。高斯过程（GPs）被用来学习标称模型和实际系统动态之间的模型误差，和模型误差的估计均值和方差被用来量化高置信度的不确定性界。利用此估计的不确定性界，设计了一个安全屏障约束，以确保安全，并开发了一个稳定性约束，以实现快速和准确的跟踪。然后，建议的LBSC方法制定为一个二次规划，包括安全屏障，稳定性约束，和控制约束。在模型不确定性条件下，以安全关键型互联巡航控制（CCC）系统仿真器为例，验证了LBSC方法的有效性。
2020-09-21 cs.RO
Persistently Feasible Robust Safe Control by Safety Index Synthesis and Convex Semi-Infinite Programming
Carnegie Mellon University（卡内基梅隆大学）；Tsinghua University（清华大学）
模型不匹配在实际应用中普遍存在。确保具有不确定动态模型的系统的安全性至关重要。然而，当存在控制极限时，现有的鲁棒安全控制器可能无法实现。现有方法对不确定性采用松散的过度近似，导致安全控制过于保守。为了解决这些问题，我们提出了一个控制限感知的鲁棒安全控制框架有界状态依赖的不确定性。我们提出的安全指标综合，以找到一个鲁棒的安全控制器，保证是可实现的控制限制。我们通过凸半无限规划求解鲁棒安全控制，这是凸有界不确定性的最严格形式，并导致最小保守控制。此外，我们分析了在未建模的不确定性下，何时以及如何保持安全性。实验结果表明，我们的鲁棒安全控制器总是在控制极限下可实现的，并且比强基线保守性小得多。
2023-03-06 cs.RO
Integrating Predictive Motion Uncertainties with Distributionally Robust Risk-Aware Control for Safe Robot Navigation in Crowds
University of California, Berkeley（加州大学伯克利分校）
针对人群中机器人安全导航时人类运动预测不确定性难融入控制的问题，提出分布鲁棒机会约束MPC方法，用分布鲁棒条件风险价值近似实现实时计算，经真实行人数据验证可高效安全导航。
2024-03-08 cs.RO cs.SY eess.SY
Causality-Based Parametric Control Barrier Function for Safe Multi-Vehicle Interaction
School of Electrical and Computer Engineering, Georgia Institute of Technology（佐治亚理工学院电气与计算机工程学院）；Robotics Institute, Carnegie Mellon University（卡内基梅隆大学机器人研究所）
针对多车交互中因果推断困难导致保守行为的问题，提出基于因果关系的参数化控制屏障函数，实现自适应安全控制，提升任务效率。
2026-06-25 cs.RO
System-level Safety Guard: Safe Tracking Control through Uncertain Neural Network Dynamics Models
University of Michigan（密歇根大学）
针对含不确定性的神经网络模块难以验证系统安全性、难以部署到安全关键场景的问题，提出用神经网络做未知系统轨迹跟踪预测模型，构建带约束跟踪问题并通过MILP求解，经机器人导航避模仿真验证了方法有效性。
2024-05-19 cs.LG cs.RO cs.SY
Safe and Nonconservative Contingency Planning for Autonomous Vehicles via Online Learning-Based Reachable Set Barriers
The Hong Kong University of Science and Technology（香港科学与技术大学）；National University of Singapore（新加坡国立大学）；Department of Electrical and Computer Engineering（电气与计算机工程系）
本文提出基于在线学习的实时应急轨迹优化框架，通过动态量化多模态HV不确定性并逐步细化其可达集，确保安全性和效率，在不确定环境下提升驾驶效率和乘客舒适度。
2026-04-15 cs.RO cs.SY eess.SY
Residual Deep Reinforcement Learning-Based Computed Torque Control for a Cable-Driven Lower-Limb Rehabilitation Robot under Disturbances and Parametric Uncertainties
Kharazmi University（哈拉兹米大学）
针对缆绳驱动下肢康复机器人的轨迹跟踪难题，提出残差深度强化学习增强的计算力矩控制框架，仿真显示其可提升跟踪与扰动抑制能力，保留可解释性且具鲁棒性。
2026-08-28 cs.RO cs.SY eess.SY
Safe Force/Position Tracking Control via Control Barrier Functions for Floating Base Mobile Manipulator Systems
ABB Corporate Research（ABB企业研究院）；Aalborg University（奥尔堡大学）
本文提出一种基于控制障碍函数的浮动基座移动机械臂系统安全力/位置跟踪控制策略，有效解决运动学与动力学层面的安全约束及模型不确定性问题，计算需求低且支持实时操作，仿真验证了其有效性与安全性。
2024-04-21 cs.RO cs.SY eess.SY
Safe Model-Based Reinforcement Learning with an Uncertainty-Aware Reachability Certificate
Tsinghua University（清华大学）；Harvard University（哈佛大学）；University of Science and Technology Beijing（北京科技大学）
安全的强化学习（RL）解决了约束满意的策略，为RL在机器人等现实世界问题中更广泛的安全关键应用提供了一种有前途的方法。在所有安全的RL方法中，基于模型的方法由于其高样本效率而进一步减少了训练时间违规。然而，缺乏对模型不确定性的安全鲁棒性仍然是安全的基于模型的强化学习中的一个问题，特别是在训练时间安全性方面。在本文中，我们提出了一个分布式的可达性证书（DRC）和Bellman方程，以解决模型的不确定性和鲁棒持久安全状态的特征。此外，我们建立了一个安全的RL框架，以解决DRC及其相应的屏蔽策略所需的约束。我们还设计了一个线搜索方法，以保持安全，同时达到更高的回报，同时利用盾牌政策。经典的基准测试，如约束跟踪和导航的综合实验表明，该算法实现了可比的回报，在训练过程中的约束违反少得多。
2022-10-14 cs.LG cs.RO cs.SY
Contraction $\mathcal{L}_1$-Adaptive Control using Gaussian Processes
University of Illinois at Urbana Champaign（伊利诺伊大学厄巴纳-香槟分校）；Georgia Institute of Technology（佐治亚理工学院）
我们提出了$\mathcal{CL}_1$ - $\mathcal{GP}$，一个控制框架，使安全的同时学习和控制系统的不确定性。两个主要组成部分是基于收缩理论的$\mathcal{L}_1$（$\mathcal{CL}_1$）控制和高斯过程（GP）回归形式的贝叶斯学习。$\mathcal{CL}_1$控制器确保在提供安全证书的同时满足控制目标。此外，$\mathcal{CL}_1$ - $\mathcal{GP}$将任何可用数据合并到不确定性的GP模型中，这提高了性能并使运动规划器能够安全地实现最优。这样，即使在学习瞬态期间，也始终保证系统的安全操作。我们提供了一些说明性的例子，在各种环境中的平面四旋翼系统的安全学习和控制。
2021-11-30 cs.LG cs.RO cs.SY
SPF-EMPC Planner: A real-time multi-robot trajectory planner for complex environments with uncertainties
College of Intelligence Science and Technology, National University of Defense Technology（国防科技大学智能科学学院）
本文提出SPF-EMPC规划器，通过安全概率场建模动态障碍物不确定性并结合无约束优化生成轨迹，再由扩展状态模型预测控制实现带约束的精确跟踪，显著提升多机器人在复杂不确定环境中的实时安全导航成功率。
2024-10-17 cs.RO
Domain Adaptive Safety Filters via Deep Operator Learning
Johns Hopkins University（约翰斯·霍普金斯大学）；Microsoft Research（微软研究院）
本文提出一种自监督深度算子学习框架，通过学习环境参数到控制屏障函数的映射来避免重新训练，实现跨环境的安全控制自适应。
2024-10-18 cs.LG cs.RO cs.SY
Learning Parametric Constraints in High Dimensions from Demonstrations
University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
我们提出了一个可扩展的算法，学习参数约束的安全专家演示在高维。为了减少约束恢复问题的不适定性，我们的方法使用打了就跑的采样，以产生较低的成本，从而不安全的轨迹。安全和不安全的轨迹都被用来获得一个表示的不安全的集，是兼容的数据，通过解决一个整数规划在该表示的参数空间。我们的方法可以利用一个已知的参数化或增量增长的参数化，同时保持与数据一致，我们提供了理论上的保守性保证恢复的不安全集。我们通过学习7自由度臂、四旋翼和平面推动示例的约束来评估我们的方法对高维系统的高维约束，并表明我们的方法优于基线方法。
2019-10-08 cs.LG cs.RO cs.SY
Control Barrier Functions-based Semi-Definite Programs (CBF-SDPs): Robust Safe Control For Dynamic Systems with Relative Degree Two Safety Indices
Carnegie Mellon University（卡内基梅隆大学）
在这篇文章中，我们考虑的问题，实现安全控制的动态系统的安全指标或（控制障碍功能（松散））具有相对程度等于2。我们考虑参数仿射非线性动态系统，并假设参数的不确定性是一致的，已知的先验或通过估计器/参数自适应律在线更新。在这种不确定性下，通常的CBF-QP安全控制方法采取鲁棒最优化问题的形式。不等式约束的右侧和左侧都依赖于未知参数。在给定的不确定性表示下，CBF-QP安全控制最终成为一个凸半无限问题。使用两种不同的哲学，一种基于弱对偶，另一种基于无损s-过程，我们得出了这个鲁棒CBF-QP问题的相同SDP公式。因此，我们表明，计算安全控制与已知的参数不确定性的问题可以构成一个易于处理的凸问题，并在线解决。(This正在进行中）。
2022-08-25 cs.RO math.OC
Autonomous Driving With Perception Uncertainties: Deep-Ensemble Based Adaptive Cruise Control
University of Michigan（密歇根大学）；Ford Research and Advanced Engineering（福特研究与高级工程）；Excelled Tracer LLC
本文提出一种基于深度集成的自适应巡航控制方法，通过量化DNN预测不确定性并利用随机MPC提供概率安全保证，在保持安全车距的同时实现速度跟踪与车辆跟随。
2024-03-22 cs.AI cs.RO cs.SY
A CBF-Adaptive Control Architecture for Visual Navigation for UAV in the Presence of Uncertainties
Luleå University of Technology（吕勒奥理工大学）
本文提出一种基于视觉锁定CBF和可参数化切换下降CBF的自适应反步控制架构，使四旋翼无人机仅凭RGB视觉特征在存在建模不确定性和外部扰动情况下实现水面机器人间的安全转移与精确着陆。
2024-02-16 cs.RO cs.SY eess.SY
Uncertainty Estimation for Safe Human-Robot Collaboration using Conservation Measures
Karlsruhe Institute of Technology（卡尔斯鲁厄理工学院）
我们提出了一种在线和数据驱动的不确定性量化方法，以实现安全的人机协作应用程序的开发。系统的安全性和风险评估与测量的准确性密切相关：独特的参数通常无法通过已知模型直接访问，因此必须进行测量。然而，由于传感器的有限性能，甚至未知的环境干扰或人类，测量通常会受到不确定性的影响。在这项工作中，我们量化这些测量的不确定性，利用守恒措施，这是定量的，系统特定的属性是恒定的，随着时间的推移，空间，或其他状态空间维度。我们的方法的关键思想在于在运行时参考守恒方程的传入数据的即时数据评估。特别是，我们估计违反先验已知的，特定领域的守恒性质，并考虑它们作为测量不确定性的后果。我们在人机协作的背景下验证了我们的方法，从而突出了我们对在真实世界条件下成功开发安全机器人系统的贡献的重要性，例如，在工业环境中。此外，我们展示了如何获得的不确定性值可以直接映射到任意的安全限制（例如，ISO 13849），允许在运行时监控安全标准的遵守情况。
2022-09-01 cs.RO
Provably Safe Trajectory Generation for Manipulators Under Motion and Environmental Uncertainties
Hong Kong Center for Construction Robotics, The Hong Kong University of Science and Technology（香港建设机器人中心，香港理工大学）；Department of Mechanical and Automation Engineering, The Chinese University of Hong Kong（机械与自动化工程系，中国香港大学）；Department of Electronic Engineering, The Chinese University of Hong Kong（电子工程系，中国香港大学）；Shenzhen Key Laboratory of Robotics Perception and Intelligence and the Department of Electronic and Electrical Engineering at Southern University of Science and Technology（深圳机器人感知与智能重点实验室和南方科技大学电子与电气工程系）；Department of Electronic Engineering at The Chinese University of Hong Kong（电子工程系，中国香港大学）
本文提出了一种可证明安全的轨迹生成框架，通过整合深度随机Koopman操作符模型和分层验证方法，有效应对运动和环境不确定性下的碰撞风险问题。
2026-03-10 cs.RO
Towards Safe Autonomous Driving: Capture Uncertainty in the Deep Neural Network For Lidar 3D Vehicle Detection
Robert Bosch GmbH（罗伯特·博世有限公司）；Ulm University（乌尔姆大学）
为了确保自动驾驶汽车在公共道路上安全行驶，其目标检测模块不仅要正确工作，还要显示其预测的可信度。以前由深度学习驱动的对象检测器没有明确地对神经网络中的不确定性进行建模。我们通过提出实用的方法来捕获激光雷达点云的3D车辆检测器中的不确定性来解决这个问题。建议的概率检测器代表可靠的认知不确定性和任意的不确定性分类和定位任务。实验结果表明，认知不确定性与检测精度有关，而任意不确定性受车辆距离和遮挡的影响。实验结果还表明，通过对任意不确定度进行建模，可以使检测性能提高1%~ 5%。
2018-09-07 cs.CV cs.RO
Certifiable Safe Model-Based Reinforcement Learning with Control-Affine Dynamics Approximation
University of Illinois Chicago（伊利诺伊大学芝加哥分校）；Texas A&M University（德克萨斯农工大学）
研究基于模型的安全强化学习，提出用控制障碍函数结合控制仿射随机傅里叶特征及自适应共形预测的框架，通过学习控制仿射动力学实现可验证安全策略，仿真结果验证了该框架在推车摆杆和3D四旋翼平台上的有效性。
2026-07-21 cs.RO
VisionSafeEnhanced VPC: Cautious Predictive Control with Visibility Constraints under Uncertainty for Autonomous Robotic Surgery
School of Computer Science and Technology, Tongji University（同济大学计算机科学与技术学院）；School of Advanced Manufacturing and Robotics, Peking University（北京大学先进制造与机器人学院）；MicroPort MedBot (Group) Company Ltd.（微宏医疗机器人（集团）有限公司）；Department of Biomedical Engineering, City University of Hong Kong（香港城市大学生物医学工程系）
针对机器人辅助微创手术中腹腔镜自主控制面临的不确定性和可见性挑战，提出VisionSafeEnhanced VPC框架，利用高斯过程回归量化不确定性并构建安全控制屏障函数，在保证视野安全的同时最小化相机运动，实验验证其高可见性和低跟踪误差。
2025-08-26 cs.RO
