Computing Safe Control Inputs using Discrete-Time Matrix Control Barrier Functions via Convex Optimization
Department of Electrical and Computer Engineering, Brigham Young University(电气与计算机工程系, BYU)
本文提出一种基于凸优化和矩阵控制障碍函数技术的新方法,解决了离散时间非凸安全集系统计算保持安全性的控制输入的实时性限制,并在双旋翼系统仿真中验证了有效性。
2025-10-10 cs.RO cs.SY eess.SY
Unmatched Control Barrier Functions: Certainty Equivalence Adaptive Safety
University of California, Los Angeles(加利福尼亚大学洛杉矶分校);Massachusetts Institute of Technology(麻省理工学院)
本文将通用自适应控制应用于控制障碍函数,以实现安全集的前向不变性,尽管存在不匹配的参数不确定性。该方法结合了两种想法。首先是构造一系列控制障碍函数,以确保系统对所有可能的模型都是安全的。第二种是使用在线参数自适应,从允许的集合中有条理地选择控制障碍函数和相应的安全控制器。虽然这样的组合并不一定会产生向前的不变性,没有额外的要求上的障碍函数,我们表明,这种不变性可以通过简单地调整适应增益在线建立。它还表明,所开发的方法是适用于系统的安全约束,具有一个相对程度大于1。因此,这项工作代表了第一个自适应安全的方法,成功地采用了一般状态约束的确定性等价原则,而不牺牲安全保证。
2022-08-16 cs.RO cs.SY eess.SY
Synthesis of Control Barrier Functions Using a Supervised Machine Learning Approach
Birla Institute of Technology and Science (BITS)(比尔拉理工学院);Georgia Institute of Technology(佐治亚理工学院)
控制障碍函数是用于保证机器人系统安全的数学构造。当集成为二次规划优化问题中的约束时,可以实现具有实时性能要求的瞬时控制综合,用于机器人应用。目前的使用假设安全屏障功能的充分知识,但在某些情况下,安全区域必须从传感器测量在线估计。在这些情况下,必须在线合成相应的屏障功能。本文介绍了一种学习框架,估计控制障碍功能的传感器数据。这样做提供了在未知状态空间区域中的系统操作,而不损害安全性。这里,支持向量机分类器提供由从传感器测量获得的安全和不安全状态的集合确定的屏障函数规范。提供了理论上的安全保障。配备激光雷达的全向机器人的实验ROS为基础的仿真结果证明安全操作。
2020-03-10 cs.RO cs.SY eess.SY
Task-Priority Control of Redundant Robotic Systems using Control Lyapunov and Control Barrier Function based Quadratic Programs
Norwegian University of Science and Technology(挪威科技大学)
针对冗余度机器人系统,提出了一种基于控制李雅普诺夫函数(CLF)和控制障碍函数(CBF)的二次规划(QP)任务优先控制框架。所提出的方法保证严格的优先级之间的不同组的任务,如安全相关的,操作和优化任务。此外,可以采用惩罚参数形式的软优先级度量来对相同优先级的任务进行优先级排序。相对于运动控制方案,所提出的框架是一个整体的方法来控制冗余机器人系统,它解决了冗余分辨率,动态控制和控制分配问题同时进行。通过对超冗余关节式干预自主水下航行器(AIAUV)的数值仿真,验证了该框架的有效性。
2021-06-04 cs.RO cs.SY eess.SY
BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control
Arizona State University(亚利桑那州立大学)
针对CBF短视和MPC计算昂贵的问题,提出BarrierFormer,一种障碍监督的Transformer框架,通过预测性滚动编码CBF约束学习无模型安全策略,实现实时安全导航,并在安全率和延迟上超越现有方法。
2026-11-03 cs.RO cs.SY eess.SY
Control Barrier Functions for Systems with Multiple Control Inputs
Massachusetts Institute of Technology(麻省理工学院);Boston University(波士顿大学)
控制障碍函数(CBF)是保证非线性系统和约束安全性的常用工具,它可以将约束最优控制问题转化为仿射控制系统的二次规划问题。最近提出的高阶控制障碍函数(HOCBF)适用于任意相对度约束。HOCBF中的挑战之一是解决系统具有多个控制输入时的相对度问题,即,相对程度可以相对于控制矢量的不同分量来定义。本文提出了HOCBF处理多控制输入系统的两种方法:一般积分控制方法和一种简单但限于特定类型物理系统的方法。当涉及控制界限时,上述QP的可行性也可以显着提高所提出的方法。我们说明了我们的方法上的一个单一的模型与两个控制输入,并比较两个建议的方法,以证明其有效性和性能。
2022-03-15 cs.RO cs.SY eess.SY
High Order Control Lyapunov-Barrier Functions for Temporal Logic Specifications
Boston University(波士顿大学)
最近的工作表明,稳定的仿射控制系统的期望状态,同时优化的二次成本受到状态和控制约束,可以减少到一系列的二次规划(QP)通过使用控制障碍函数(CBF)和控制李雅普诺夫函数(CLF)。在我们最近的工作中,我们定义了高阶CBF(HOCBF)的系统和约束与任意相对程度。本文将高阶控制李雅普诺夫-障碍函数(HOCLBF)推广到不满足状态约束和任意相对次数约束的初始状态。我们还表明,建议HOCLBFs可以用来保证布尔满足信号时序逻辑(STL)公式的系统状态。我们说明了我们的方法上的一个安全关键的最优控制问题(OCP)的一个单一的。
2021-02-12 cs.RO cs.SY eess.SY
Navigating Polytopes with Safety: A Control Barrier Function Approach
Wichita State University(威斯康星州立大学)
本文提出一种基于控制屏障函数的系统方法,生成闭式候选函数,为多面体智能体在多面体环境中提供形式安全保证的无碰撞导航,并通过2D和3D动态环境仿真验证。
2025-05-22 cs.RO cs.SY eess.SY
Enforcing safety for vision-based controllers via Control Barrier Functions and Neural Radiance Fields
Tsinghua University(清华大学);MIT(麻省理工学院)
为了在复杂的环境中导航,机器人必须越来越多地使用高维视觉反馈(例如图像)进行控制。然而,依赖于高维图像数据来做出控制决策提出了重要的问题;特别是,我们如何证明视觉反馈控制器的安全性?控制障碍函数(CBF)是验证反馈控制器在状态反馈设置中的安全性的有力工具,但是CBF传统上不太适合于视觉反馈控制,这是由于需要预测未来的观测以评估障碍函数。在这项工作中,我们利用神经辐射场(NeRFs)的最新进展来解决这个问题,NeRFs学习3D场景的隐式表示,并可以从以前看不见的相机视角渲染图像,为基于CBF的控制器提供单步视觉预见。这种新颖的组合能够过滤掉不安全的行为,并进行干预以保护安全。我们展示了我们的控制器在实时仿真实验中的效果,它成功地防止机器人采取危险的行动。
2023-02-28 cs.RO cs.SY eess.SY
Optimal Safety Control using High-Order Control Barrier Functions
Dalian University of Technology(大连理工大学)
研究非线性控制系统最优安全控制问题,提出新型高阶控制障碍函数及控制Lyapunov函数,讨论二者关系与兼容性以建立最优控制器,通过四旋翼导航问题数值示例验证了结果的有效性。
2026-07-21 cs.RO cs.SY eess.SY
Learning Input Constrained Control Barrier Functions for Guaranteed Safety of Car-Like Robots
University of California, San Diego(加利福尼亚大学圣迭戈分校)
本文提出基于输入受限控制屏障函数的安全滤波器设计方法,利用支持向量机回归学习环境平滑函数,并考虑转向约束,以保证类车机器人在复杂环境中的安全性。
2024-02-19 cs.RO cs.SY eess.SY
Greedy Synthesis of Event- and Self-Triggered Controls with Control Lyapunov-Barrier Function
National Institute of Informatics(国立信息学研究所)
研究了在控制李雅普诺夫函数和控制障碍函数的约束下,事件触发控制和自触发控制的控制输入和执行决策的协同设计问题.所提出的方法计算的控制输入的方式,允许更长的执行间隔,这区别于许多现有的事件和自触发控制器或控制李雅普诺夫-障碍函数控制器。所提出的方法保证了最小执行间时间的下限。所提出的方法的有效性证明,并与现有的方法相比,使用数值例子。
2023-02-24 cs.RO cs.SY eess.SY
Safety of Sampled-Data Systems with Control Barrier Functions via Approximate Discrete Time Models
California Institute of Technology(加州理工学院);Argo AI
控制障碍函数(CBF)已被证明是非线性系统安全关键控制器设计的一个强有力的工具。现有的设计范例没有解决理论(控制器设计与连续时间模型)和实践(离散时间采样实现的控制器)之间的差距,这可能会导致性能差和违反安全的硬件实例。我们提出了一种方法来缩小这一差距,通过合成采样数据对应这些CBF为基础的控制器,使用近似离散时间模型和采样数据控制障碍函数(SD-CBFs)。利用系统的连续时间模型的属性,我们建立了SD-CBF和采样数据系统的实际安全性的概念之间的关系。此外,我们构造凸优化为基础的控制器,正式赋予非线性系统的安全保障,在实践中。我们证明了这些控制器在仿真中的有效性。
2022-06-13 cs.RO cs.SY eess.SY
Safe Learning-Based Control of Elastic Joint Robots via Control Barrier Functions
Technical University of Munich(慕尼黑工业大学)
本文针对弹性关节机器人因未建模动态导致控制屏障函数无法直接保证安全的问题,提出用高斯过程回归学习未知动力学,并将鲁棒化安全条件转化为二阶锥规划在线求解,通过二自由度平面机器人仿真验证了方法的有效性。
2023-04-14 cs.RO cs.SY eess.SY
Control of Multi-Agent Systems with Finite Time Control Barrier Certificates and Temporal Logic
Georgia Institute of Technology(佐治亚理工学院)
本文提出利用有限时间收敛控制屏障函数和线性时序逻辑规范合成多智能体连续时间动态系统的控制器,确保系统在有限时间内收敛到目标集并保持前向不变性,解决连续时间可达性问题。
2018-08-07 cs.RO cs.SY eess.SY
Control Barrier Functionals: Safety-critical Control for Time Delay Systems
Budapest University of Technology and Economics(布达佩斯技术与经济大学);California Institute of Technology(加州理工学院);University of Michigan(密歇根大学)
本文提出了时滞系统安全关键控制的理论框架。将为无时滞系统提供形式安全保证的控制障碍函数理论推广到具有状态时滞的系统。引入控制屏障泛函的概念,通过加强定义在无限维状态空间中的安全集的前向不变性来获得形式安全保证。所提出的框架是能够处理多个延迟和分布式延迟的动态和安全条件,并提供了一个仿射约束的控制输入,产生可证明的安全性。这个约束可以被纳入优化问题,以合成逐点最优和可证明安全的控制器。数值仿真算例验证了该方法的适用性。
2022-06-16 cs.RO cs.SY eess.SY
High Order Robust Adaptive Control Barrier Functions and Exponentially Stabilizing Adaptive Control Lyapunov Functions
Boston University(波士顿大学)
研究了利用数据驱动自适应控制技术保证高关联度不确定非线性系统的稳定性和安全性问题。我们首先介绍了高阶鲁棒自适应控制障碍函数(HO-RaCBF)的概念,作为一种手段来计算控制策略,保证满足高相对程度的安全约束,在面对参数模型的不确定性。所开发的方法通过最初考虑所有可能的参数实现来保证安全性,但利用在线记录的数据自适应地减少参数估计中的不确定性。然后,我们引入指数稳定自适应控制李雅普诺夫函数(ES-aCLF)的概念,利用相同的数据作为HO-RaCBF控制器,以保证指数收敛的系统轨迹。开发的HO-RaCBF和ES-aCLF统一在一个二次规划框架,其功效是通过两个数值例子,据我们所知,不能解决现有的自适应控制障碍函数技术。
2022-03-03 cs.RO cs.SY eess.SY
Safe Control Under Input Limits with Neural Control Barrier Functions
Robotics Institute(机器人研究所);Carnegie Mellon University(卡内基梅隆大学)
我们提出了新的方法来合成控制障碍函数(CBF)为基础的安全控制器,避免输入饱和,这可能会导致安全违规。特别是,我们的方法是为高维,一般的非线性系统,这样的工具是稀缺的。我们利用来自机器学习的技术,如神经网络和深度学习,来简化非线性控制设计中的这一具有挑战性的问题。该方法由一个学习者-评论家架构,其中的评论家给出输入饱和的反例和学习者优化神经CBF,以消除这些反例。我们提供了经验的10维状态,四维输入四轴飞行器摆系统的结果。我们学习的CBF避免了输入饱和,并在近100%的试验中保持安全性。
2022-11-20 cs.AI cs.RO cs.SY
Learning Differentiable Safety-Critical Control using Control Barrier Functions for Generalization to Novel Environments
University of California, Berkeley(加州大学伯克利分校)
控制障碍函数(CBF)已经成为加强控制系统安全性的流行工具。CBF通常在二次规划公式(CBF-QP)中用作安全关键约束。CBF中的类$\mathcal{K}$函数通常需要手动调优,以平衡每个环境的性能和安全性之间的权衡。然而,这个过程通常是启发式的,并且对于高相对度系统可能变得难以处理。此外,它阻止了CBF-QP推广到现实世界中的不同环境。通过将基于指数控制障碍函数的二次规划(ECBF-QP)的优化过程作为可微层嵌入深度学习架构中,我们提出了一种可微安全关键控制框架,该框架能够推广到具有前向不变性保证的高相对度系统的新环境。最后,我们验证了所提出的控制设计与2D双和四倍积分器系统在各种环境中。
2022-04-11 cs.LG cs.RO cs.SY
Composing Control Barrier Functions for Complex Safety Specifications
California Institute of Technology(加州理工学院)
本文针对复杂安全规范问题,提出将状态约束布尔组合转化为单一连续可微控制障碍函数的算法框架,并验证其安全控制效果。
2023-12-03 cs.RO cs.SY eess.SY
Learning Control Barrier Functions and their application in Reinforcement Learning: A Survey
Polytechnique Montréal(蒙特利尔理工学院)
本文综述了安全强化学习中控制障碍函数的应用,并探讨了自动学习控制障碍函数的数据驱动方法,以提升强化学习在真实机器人应用中的安全性与有效性。
2024-04-22 cs.AI cs.LG cs.RO
Safety Certification in the Latent space using Control Barrier Functions and World Models
Indian Institute of Technology, Roorkee(印度理工学院,罗尔基)
本文提出一种半监督框架,在世界模型潜空间中学习控制屏障证书,结合有限标注数据和视觉Transformer,实现数据高效的安全视觉运动策略合成。
2025-07-18 cs.CV cs.LG cs.RO
Learning Barrier Functions with Memory for Robust Safe Navigation
Contextual Robotics Institute(情境机器人研究所);University of California San Diego(加州大学圣地亚哥分校)
在机器人运动规划和控制中,控制障碍函数被广泛用于增强安全性能。然而,在线构造障碍函数和合成安全控制器,可以处理相关的不确定性的问题很少受到关注。本文研究了在未知环境中的安全航行,利用机载距离传感器在线构造控制障碍函数。为了表示环境中的不同对象,我们使用距离测量值来训练符号距离函数的神经网络近似,并使用重放存储器递增。这使我们能够制定一个新的鲁棒控制障碍安全约束,考虑到估计的距离场和梯度的错误。我们的配方导致二阶锥程序,使安全和稳定的控制合成在先验未知的环境。
2021-02-11 cs.RO
Human-Centered Cooperative Control Coupling Autonomous and Haptic Shared Control via Control Barrier Function
Nara Institute of Science and Technology(奈良科学技术大学)
本文提出一种结合自主控制与力反馈共享控制的协作框架,通过控制屏障函数提升远程操作任务的精度和效率。
2025-11-25 cs.RO
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
Episodic Learning for Safe Bipedal Locomotion with Control Barrier Functions and Projection-to-State Safety
Caltech(加州理工学院)
本文结合情景学习和控制障碍功能的设置双足运动。控制屏障功能提供的安全保证仅在完美的模型知识下有效;然而,在硬件平台上无法满足此假设。为了解决这个问题,我们利用投影到状态安全的概念与机器学习框架相结合,试图学习模型的不确定性,因为它会影响障碍函数。所提出的方法被证明在模拟和硬件上的琥珀-3 M双足机器人的背景下的踏脚石问题,这需要精确的脚的位置,同时动态行走。
2021-05-04 cs.RO
Sampling-based Motion Planning via Control Barrier Functions
Boston University(波士顿大学)
机器人运动规划是现实世界自主应用的核心,例如自动驾驶汽车,持续监控和机械臂操纵。运动规划中的一个挑战是生成用于非线性系统的控制信号,其导致通过动态环境的无障碍路径。针对动态环境下的连续时间非线性系统,提出了一种基于采样的运动规划算法--控制障碍函数引导的快速探索随机树算法(CBF-RRT)。该算法侧重于两个目标:有效地产生可行的控制,引导系统向目标区域,并处理环境中的动态障碍物在连续的时间。我们制定的控制综合问题作为一个二次规划(QP),强制执行控制障碍函数(CBF)的约束,以实现避障。此外,CBF-RRT在采样时不需要最近邻或冲突检查,与标准RRT变体相比,这大大减少了运行时开销。
2019-07-15 cs.RO
On the similarities between Control Barrier Functions (CBFs) and Behavior Control Lyapunov Functions (BCLFs)
控制障碍函数(CBF)是一个重要的工具,用于解决多个并发控制目标的情况下,如安全和目标收敛。在本文中,我们调查CBFs和所谓的行为控制李雅普诺夫函数(BCLFs),已提出解决相同类型的问题,在航空领域之间的相似性。CBF和BCLF的关键结果是描述了一组控件,这些控件使给定的集合保持不变。我们比较了相应的定理,并证明了如果将CBFs中的一般类K函数限制为BCLFs中的一般线性函数,并将BCLFs中的目标数和优先级数限制为1,则在容许控制集方面的结果是等价的.此外,这两篇论文都证明了不变集是渐近稳定的。
2021-09-03 cs.RO
V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions
Microsoft Research, India(微软研究院(印度))
本文提出V-OCBF方法,通过价值引导学习离线数据中的安全过滤器,无需依赖在线交互或专家设计的屏障函数,有效提升安全性和任务性能。
2026-04-02 cs.AI cs.RO
Safe Reinforcement Learning with Probabilistic Control Barrier Functions for Ramp Merging
Carnegie Mellon University(卡内基梅隆大学)
之前的工作着眼于将强化学习和模仿学习方法应用于自动驾驶场景,但算法的安全性或效率都受到了影响。通过使用嵌入到强化学习策略中的控制障碍函数,我们可以获得安全的策略来优化自动驾驶车辆的性能。然而,控制障碍函数需要一个很好的近似模型的汽车。我们使用概率控制障碍函数作为模型不确定性的估计。该算法作为在线版本在CARLA中实现(Dosovitskiy等人,2017年)模拟器,并作为从NGSIM数据库中提取的数据集的离线版本。该算法不仅是一种安全的匝道并道算法,而且是一种适用于高速公路匝道并道的安全自动驾驶算法。
2022-12-01 cs.AI cs.LG cs.RO
Stochastic Control Barrier Functions with Bayesian Inference for Unknown Stochastic Differential Equations
本文针对漂移和扩散项均未知的随机系统,提出基于贝叶斯推断的随机控制屏障函数方法,用于综合安全关键控制,并通过非线性动力学和自适应巡航控制模型仿真验证了其有效性。
2023-12-20 cs.SY eess.SY
Bayesian Meta-Learning on Control Barrier Functions with Data from On-Board Sensors
本文提出利用贝叶斯元学习框架学习控制屏障函数,使机器人能在未知环境中仅凭少量机载传感器数据快速适应新环境并在线合成安全控制器,同时提供概率安全保证。
2023-08-10 cs.SY eess.SY
Barrier Certificates for Unknown Systems with Latent States and Polynomial Dynamics using Bayesian Inference
Technical University of Munich(慕尼黑工业大学)
本文提出了一种基于贝叶斯推断的方法,用于为具有潜在状态和多项式动力学的未知系统生成有效的障碍证书,并通过概率保证验证其有效性。
2026-01-15 cs.LG cs.SY eess.SY
Optimal Parameter Adaptation for Safety-Critical Control via Safe Barrier Bayesian Optimization
University of Electronic Science and Technology of China(电子科技大学);University of Exeter(埃克塞特大学);Australian AI Institute(澳大利亚人工智能研究所);University of Technology Sydney(悉尼科技大学);Hunan University(湖南大学);China University of Mining and Technology(中国矿业大学);Southeast University(东南大学)
针对控制屏障函数参数难以校准的问题,提出结合贝叶斯优化与安全屏障内点法的框架,在保证安全的同时优化控制性能,并通过仿真验证有效性。
2025-03-25 cs.LG cs.SY eess.SY
Safe Nonlinear Control Using Robust Neural Lyapunov-Barrier Functions
Massachusetts Institute of Technology(麻省理工学院);University of California, San Diego(加利福尼亚大学圣地亚哥分校)
安全性和稳定性是机器人控制系统的共同要求,然而,设计安全,稳定的控制器仍然是困难的非线性和不确定的模型。我们开发了一种基于模型的学习方法来合成具有安全性和稳定性保证的鲁棒反馈控制器。我们从鲁棒凸优化和李雅普诺夫理论的灵感,定义鲁棒控制李雅普诺夫障碍函数,尽管模型的不确定性推广。我们证明了我们的方法在模拟的问题,包括汽车轨迹跟踪,非线性控制与避障,卫星交会与安全约束,飞行控制与学习地面效应模型。仿真结果表明,我们的方法产生的控制器,匹配或超过鲁棒MPC的能力,同时减少了一个数量级的计算成本。
2021-10-06 cs.RO cs.SY eess.SY
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley(加利福尼亚大学伯克利分校)
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制(MPC)是处理这些操作约束的流行策略,然而,安全性仍然是MPC的公开挑战,因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变,我们提出了一种安全关键的模型预测控制策略,利用离散时间控制障碍函数(CBF),保证系统的安全性,并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子,自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Tractable Compositions of Discrete-Time Control Barrier Functions with Application to Lane Keeping and Obstacle Avoidance
本文引入离散时间系统的控制障碍函数,证明了它对于给定集合的受控不变性是必要的和充分的。此外,我们提出了非线性离散时间控制障碍函数的部分控制仿射系统,导致控制的不变性条件是仿射的控制输入,导致一个易于处理的配方,使我们能够处理的安全最优控制问题的应用范围更广,更复杂的安全条件比现有的方法。此外,我们开发的混合整数配方的基本和次要的布尔组成的多个控制障碍函数,并进一步提供混合整数约束分段控制障碍函数。最后,我们将这些离散时间控制障碍函数工具应用于汽车的车道保持和避障等安全问题,并在仿真中验证了其有效性。
2020-04-04 cs.SY eess.SY
Learning Control Barrier Functions with High Relative Degree for Safety-Critical Control
控制障碍函数在解决具有安全保证的控制问题方面已经显示出巨大的成功。这些方法通常通过求解在线二次规划问题来找到下一个安全控制输入。然而,模型的不确定性是一个很大的挑战,综合控制器。这可能导致不安全控制行为的产生,造成严重后果。在本文中,我们开发了一个学习框架来处理系统的不确定性。我们的方法主要集中在学习的动态的控制障碍函数,特别是对于高相对于系统的程度。我们表明,对于每一个订单,控制障碍函数的时间导数可以分离成标称控制障碍函数的时间导数和一个余数。这意味着我们可以使用神经网络来学习余数,以便我们可以近似真实控制障碍函数的动态。我们通过仿真表明,我们的方法可以生成安全的轨迹下的参数不确定性,使用差分驱动机器人模型。
2020-11-21 cs.SY eess.SY
Spacecraft Attitude Control Under Reaction Wheel Constraints Using Control Lyapunov and Control Barrier Functions
本文提出一种基于最优衰减控制李雅普诺夫函数二次规划和控制障碍函数的敏捷航天器姿态控制策略,有效解决反应轮输入与状态约束问题,降低低采样频率下的抖振,并通过仿真验证了其实时性与高效性。
2025-07-16 cs.SY eess.SY
Piecewise Control Barrier Functions for Stochastic Systems
针对离散时间非线性随机系统,提出基于分段随机控制屏障函数的统一极小极大综合框架,通过零间隙对偶线性规划精确联合设计屏障证书与安全控制器,并给出概率安全下界。
2025-07-23 cs.SY eess.SY
Safety-Critical Control of Stochastic Systems using Stochastic Control Barrier Functions
控制障碍函数已被广泛用于综合安全关键控制,通常通过求解二次规划。然而,高斯型噪声的存在可能会导致不安全的行为,并导致严重的后果。在本文中,我们研究由布朗运动驱动的随机微分方程(SDEs)建模的系统。我们提出了一个随机控制障碍函数(SCBFs)的概念,并表明,SCBFs可以显着减少控制的努力,特别是在存在噪声的情况下,相比随机互易控制障碍函数(SRCBFs),并提供了一个不太保守的安全概率估计,相比随机归零控制障碍函数(SZCBFs)。基于这种不太保守的概率估计所提出的概念的SCBF,我们进一步扩展的结果,以处理高相对程度的安全约束,使用高阶SCBF。通过理论分析和数值模拟,我们证明了所提出的SCBF实现了性能和控制努力的良好权衡。
2021-04-06 cs.SY eess.SY
Survey Paper on Control Barrier Functions
本综述系统探讨了控制障碍函数(CBFs)的基本原理、高阶CBFs(HOCBFs)及自适应CBFs(aCBFs),突出了其在动态系统中解决安全与稳定性挑战的多功能性。
2024-08-17 cs.SY eess.SY
Neural Configuration-Space Barriers for Manipulation Planning and Control
Contextual Robotics Institute, University of California San Diego(情境机器人研究所,加州大学圣地亚哥分校)
提出一种基于神经构型空间距离函数障碍的统一方法,用于高维机器人操作规划与控制,通过分布鲁棒优化处理模型误差和传感器噪声,在杂乱动态环境中实现高效规划与鲁棒安全控制。
2026-05-22 cs.LG cs.RO cs.SY
Constructive barrier feedback for collision avoidance in leader-follower formation control
本文提出一种用于智能体避障的构造性障碍反馈,将其与标称跟踪控制器结合形成分布式控制策略,解决了领航者-跟随者编队控制中的避障问题,避免了传统方法的可行性问题且计算效率更高。
2023-10-22 cs.SY eess.SY
The effect of control barrier functions on energy transfers in controlled physical systems
本研究基于 port-Hamiltonian 形式,揭示了控制障碍函数对受控物理系统能量传递的定性与定量影响,为设计能诱导期望能量行为的 CBFs 提供了新工具。
2025-04-28 cs.SY eess.SY
Continuous Reachability Task Transition Using Control Barrier Functions
针对连续时间移动机器人系统,提出了一种实现连续可达任务间平滑过渡的方法。控制障碍函数提供安全集的前向不变性和有限时间可达性的形式保证,并且能够强制执行任务。在二次规划中使用的障碍函数的结果实现控制器的实时性能保证。使用控制障碍函数的用于多目标任务执行的现有方法利用离散切换的顺序二次规划来实现连续的任务。然而,离散切换会导致控制输入的不连续性,这可能会影响机器人的性能。因此,我们提出了一种方法,确保连续二次规划之间的过渡。特别地,引入了对障碍函数约束的时变分量,其允许目标之间的平滑过渡。机器人的实施结果也提供。
2020-05-25 cs.SY eess.SY
Disturbance Observers for Robust Safety-critical Control with Control Barrier Functions
这一工作为具有扰动的控制系统提供了形式化的安全保证。提出了一种基于扰动消除器的鲁棒安全临界控制器,该控制器估计扰动对安全性的影响,并利用该估计和控制障碍函数获得可证明安全的动态行为。观测器误差界-这包括瞬态和稳态部分-被量化,系统被赋予对这个错误通过建议的控制器的鲁棒性。以自适应巡航控制问题为例,通过仿真研究了实际干扰数据.
2023-01-04 cs.SY eess.SY
Compositional Construction of Control Barrier Certificates for Large-Scale Stochastic Switched Systems
在本文中,我们提出了一个组成框架的建设控制屏障证书的大规模随机切换系统接受多个控制屏障证书与一些停留时间的条件。所提出的计划是基于一个概念,所谓的增广伪屏障证书计算每个切换子系统,使用它可以合成状态反馈控制器的互联系统执行安全规范在有限的时间范围内。特别是,我们首先利用足够的最大型小增益条件,构造增强控制屏障证书的互联系统的基础上,相应的增强伪屏障证书的子系统。然后,我们量化退出概率的上限-互联系统到达某些不安全区域的概率-在有限的时间范围内使用构造的增强屏障证书。我们采用了一种技术的基础上的反例引导归纳合成(CEGIS)的方法来搜索控制屏障证书的每一种模式,同时合成安全控制器提供开关信号。我们证明了我们提出的结果,首先将它们应用到一个包含1000个房间的室温网络。最后,我们将我们的技术应用到一个网络的500个交换子系统(共1000个维度)接受多个障碍证书的停留时间的条件,并提供上界的概率,互联系统在有限的时间范围内达到一些不安全的区域。
2020-05-04 cs.SY eess.SY
Fast Verification of Control Barrier Functions via Linear Programming
控制障碍函数是保证系统安全的一种常用方法,这些函数可用于在系统的动态下强制一个集合的不变性。一个控制障碍函数必须具有某些性质,并且必须制定一个候选控制障碍函数并验证它确实满足所需的性质。针对后一问题,本文提出了一种利用线性规划验证任意有限个候选控制障碍函数的方法。我们首先应用技术从真正的代数几何制定验证问题的陈述,是可解决的数值。通常,半定编程用于验证候选控制障碍函数,但这并不总是很好地缩放。因此,我们接下来应用一种内近似平方和多项式的集合的方法,该方法通过将这些验证问题转换为线性规划来显着降低这些验证问题的计算复杂性。我们给出了显式的线性规划,和卫星检测问题的仿真结果表明,验证所需的计算时间可以减少95%以上。
2022-12-01 cs.SY eess.SY
Passivity-Preserving Safety-Critical Control using Control Barrier Functions
本文融合基于被动性控制(PBC)和控制障碍函数(CBF)技术,构造性地推导出在基于CBF的安全关键控制下保持闭环系统被动性的条件,提供能量解释并设计出比阻尼注入标准方法保守性更低的新型被动设计,最后在端口哈密顿系统和cart-pole系统上进行了验证。
2023-12-14 cs.SY eess.SY
Predictive control barrier functions: Enhanced safety mechanisms for learning-based control
虽然基于学习的控制技术通常优于经典控制器设计,但安全要求限制了许多应用中对此类方法的接受。最近的发展通过所谓的预测安全过滤器来解决这个问题,该过滤器评估拟议的基于学习的控制输入是否会导致违反约束,并在必要时对其进行修改,以确保未来所有时间步长的安全性。这种预测性安全滤波器的理论保证依赖于模型假设,微小的偏差可能导致滤波器故障,使系统处于危险之中。本文介绍了一种辅助软约束预测控制问题,总是可行的,在每个时间步长和渐近稳定的可行集的原始安全过滤器,从而提供了一个恢复机制,在安全关键的情况下。这是通过结合终端控制障碍函数的简单约束收紧来实现的。通过扩展离散时间控制障碍函数理论,我们建立了所提出的辅助问题提供了一个“预测”的控制障碍函数。所得到的算法证明使用数值例子。
2022-05-13 cs.SY eess.SY
Control Barrier Functions for Cyber-Physical Systems and Applications to NMPC
网络物理系统的易处理安全保证算法在关键应用中非常重要。基于控制障碍函数的方法假设连续的强制执行,这在在线方式中是不可能的。本文提出了两个易于处理的算法,以确保离散时间控制的信息物理系统的前向不变性。这两种方法都是基于控制障碍函数,以提供严格的数学安全保证。第一种算法利用Lipschitz连续性,并制定了一个强大的程序,随后放松到一组仿射条件的安全条件。第二种算法是受管NMPC的启发,并使用仿射控制障碍函数制定与辅助控制器,以保证系统的安全性。我们结合了近似NMPC控制器与第二种算法,以保证严格的安全性,尽管近似的约束,并显示其有效性的小型赛格威实验。
2021-04-29 cs.SY eess.SY
Proxy Control Barrier Functions: Integrating Barrier-Based and Lyapunov-Based Safety-Critical Control Design
提出 PCBF 模块化安全控制方案,将严格反馈系统分解为代理子系统与虚拟跟踪子系统,结合 CBF、Lyapunov 控制及扰动观测器,在未知动态和非匹配扰动下保障安全并简化 CBF 构造。
2025-01-07 cs.SY eess.SY math.OC
Compositional Synthesis of Control Barrier Certificates for Networks of Stochastic Systems against $ω$-Regular Specifications
本文研究了一种构造关联离散随机系统控制屏障证书的组合方案。主要目标是综合开关控制策略对$ω$ -定期的属性,可以通过接受语言的确定性Streett自动机(DSA),以及提供概率保证满足这些规格。建议的框架利用互连拓扑结构和所谓的子系统的\emph{control sub-barrier certificates}的概念,这是用来构成构造控制屏障证书的互连系统施加一些耗散型组合性条件。我们提出了一个系统的方法来分解高层次的$ω$ -定期规格到更简单的任务,利用自动机对应的规格。此外,我们制定了一个交替方向的乘法器(ADMM)优化问题,以获得合适的控制子屏障证书的子系统,同时满足组合条件。对于多项式动态系统,我们提供了一个平方和(SOS)优化问题的计算控制子屏障证书和局部控制策略的子系统。最后,我们证明了我们提出的方法的有效性,将它们应用到一个物理案例研究。
2022-07-05 cs.SY eess.SY