Safety-guaranteed trajectory planning and control based on GP estimation for unmanned surface vessels
Katholieke Universiteit Leuven（鲁汶天主教大学）；University of Melbourne（墨尔本大学）
我们提出了一个安全保证的规划和控制框架，无人水面舰艇（USVs），使用高斯过程（GPS）学习不确定性。USV遇到的不确定性，包括外部干扰和模型失配，是潜在的状态依赖性，时变的，很难捕捉恒定的模型。GP是一个功能强大的基于学习的工具，可以与基于模型的规划和控制框架集成，该框架采用Hamilton Jacobi微分博弈公式。这样的组合产生不太保守的轨迹和安全保证的控制策略。我们证明了所提出的框架在模拟和实验上的CLEARPATH苍鹭USV。
2022-05-10 cs.RO cs.SY eess.SY
Towards Fast and Safety-Guaranteed Trajectory Planning and Tracking for Time-Varying Systems
University of Melbourne（墨尔本大学）；Simon Fraser University（西蒙菲莎大学）
针对时变动力学与扰动下的自主系统，本文提出离线安全控制器结合在线轨迹重规划的跟踪方法，并将有限时域方案扩展至周期系统，通过自主水下航行器仿真验证。
2024-12-05 cs.RO cs.SY eess.SY
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）
本文提出了一种基于学习的全对运动规划方法，通过双 Lipschitz 双射构造平滑的目标条件神经ODEs，理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性，且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
Safety-Guaranteed Imitation Learning from Nonlinear Model Predictive Control for Spacecraft Close Proximity Operations
Space Applications Group, e:fs TechHub GmbH（空间应用组，e:fs科技枢纽 GmbH）；Faculty of Electrical Engineering and Information Technology, Ingolstadt University of Applied Sciences（电气工程与信息科技学院，因戈尔施塔特应用技术大学）
本文提出了一种安全保证且运行高效的航天器近距离控制模仿学习框架，结合控制屏障函数和控制李雅普诺夫函数，通过非线性模型预测控制专家生成安全轨迹，训练神经策略并减少安全干预，最终在高保真模拟器中验证了方法的有效性。
2026-03-19 cs.RO cs.SY eess.SY
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
Probabilistic Guaranteed Path Planning for Safe Urban Air Mobility Using Chance Constrained RRT
University of California San Diego（加州大学圣地亚哥分校）；San Diego State University（圣地亚哥州立大学）；University of North Carolina at Chapel Hill（北卡罗来纳大学教堂山分校）
安全是城市空中交通成功的关键因素，特别是在动态和不确定的环境中。提出了一种基于RRT和机会约束的不确定障碍物路径规划算法。通过将概率约束转化为确定性约束，建立了高斯分布障碍物的机会约束模型。通过对系统状态的模拟和凸约束的评估，可以确定每个时间步的概率可行域。通过建立机会约束RRT，该算法不仅享有基于采样的算法的好处，但也纳入了不确定性的制定。仿真结果表明，利用该算法可以规划出符合概率避障要求的连接起点和目标点的轨迹。
2022-03-12 cs.RO cs.SY eess.SY
Safety Guaranteed Manipulation Based on Reinforcement Learning Planner and Model Predictive Control Actor
Technical University of Munich（慕尼黑工业大学）；Sun Yat-sen University（中山大学）
提出融合稀疏奖励强化学习规划器与MPC执行器的框架，以中间目标引导机器人在动态环境中避障操作，四项任务实现100%安全成功率。
2023-04-26 cs.RO
Safe Learning-Based Feedback Linearization Tracking Control for Nonlinear System with Event-Triggered Model Update
Sun Yat-sen University（中山大学）
基于学习的方法在处理复杂场景方面非常强大。然而，在不确定环境下使用基于学习的方法仍然具有挑战性，同时希望保证系统的稳定性，安全性和实时性。在本文中，我们提出了一种基于学习的跟踪控制方案的反馈线性化控制器的基础上，不确定性干扰近似在线高斯过程（GP）。利用GPS给出的扰动预测分布，应用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，保证了概率稳定性和安全性。此外，首先通过基于线性化动力学系统的模型预测控制（MPC）优化轨迹，以进一步减小跟踪误差。在保证系统稳定性和安全性的前提下，设计了GPS更新的事件触发器，提高了系统的效率。所提出的跟踪控制策略的有效性在数值仿真中示出。
2022-03-07 cs.RO
Minimal Intervention Shared Control with Guaranteed Safety under Non-Convex Constraints
Aalto University（阿alto大学）
本文提出了一种考虑约束的辅助控制器，通过在线计算控制动作，确保递归可行性、严格约束满足和最小偏离用户意图，适用于非凸约束的现实场景。
2026-03-17 cs.HC cs.RO cs.SY
Planning to Learn: Real-Time Robust Adaptive Control on the GPU with Guaranteed Future Learning
Georgia Institute of Technology（佐治亚理工学院）
本研究提出基于系统级综合的学习感知鲁棒自适应模型预测控制框架A-SLS，结合GPU加速求解器，降低可达管保守性，实现高维机器人系统实时控制，且在Crazyflie无人机硬件上验证了有效性。
2026-10-16 cs.LG cs.RO cs.SY
An NMPC Approach using Convex Inner Approximations for Online Motion Planning with Guaranteed Collision Avoidance
University of Freiburg（弗莱堡大学）；Robert Bosch GmbH（罗伯特·博世股份有限公司）
尽管移动机器人已经存在了几十年，但轨迹优化和连续时间碰撞避免仍然是积极研究的主题。现有的方法在路径质量、计算复杂性和运动动力学可行性之间进行权衡。这项工作的方法的问题，使用非线性模型预测控制（NMPC）的框架，这是基于一种新的凸内近似的避碰约束。所提出的凸内近似（CIAO）方法发现kinodynamically可行的和连续的时间无碰撞的轨迹，在几个迭代，通常一个。对于可行的初始化，该方法保证找到可行的解决方案，即它保持可行性。我们的实验评估表明，CIAO优于最先进的基线规划效率和路径质量方面。在具有12个状态的机器人上的实验表明，它也可以扩展到高维系统。此外，真实世界的实验表明，它的能力，统一的轨迹优化和跟踪的安全运动规划在动态环境中。
2020-03-01 cs.RO cs.SY eess.SY
Guaranteed Robust Nonlinear MPC via Disturbance Feedback
Institute for Dynamic Systems and Control（动态系统与控制研究所）
本文提出一种基于扰动反馈的鲁棒非线性MPC方法，通过将不确定系统分解为标称模型、扰动反馈控制器和误差界并利用序贯凸规划联合优化，在保证鲁棒约束满足、ISS和递归可行性的同时实现快速实时求解，并在火箭着陆等任务中验证。
2025-09-23 cs.RO cs.SY eess.SY
Safe Feedback Motion Planning: A Contraction Theory and $\mathcal{L}_1$-Adaptive Control Based Approach
University of Illinois at Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）
自主机器人能够在存在不完善的模型知识或外部干扰的情况下安全运行，这在安全关键应用中至关重要。在本文中，我们提出了一个规划者不可知的框架，设计和验证安全管周围所需的轨迹，机器人总是保证留在里面。利用最近的结果收缩分析和$\mathcal{L}_1$ -自适应控制，我们合成的架构，诱导安全管的非线性系统的状态和时变不确定性。我们演示了一些说明性的例子如何收缩理论为基础的$\mathcal{L}_1$ -自适应控制可以与传统的运动规划算法结合使用，以获得可证明安全的轨迹。
2020-05-25 cs.RO cs.SY eess.SY
Robust Helicopter Ship Deck Landing With Guaranteed Timing Using Shrinking-Horizon Model Predictive Control
German Aerospace Center (DLR)（德国航空航天中心（DLR））；Leuphana University of Lueneburg（吕讷堡莱普哈纳大学）
本文提出了一种基于SHMPC的高效算法，实现鲁棒直升机在移动舰船甲板上的着陆，确保时间约束和高精度着陆性能。
2026-02-26 cs.RO cs.SY eess.SY
Receding-Constraint Model Predictive Control using a Learned Approximate Control-Invariant Set
University of Trento（特伦托大学）
针对非线性系统精确控制不变集难以计算的问题，提出一种新颖的模型预测控制方案，通过向后移动安全集约束保证递归可行性，并在检测到风险时触发任务中止策略保证安全性，有效减少了约束违反。
2024-08-28 cs.RO cs.SY eess.SY
Safe learning-based optimal motion planning for automated driving
Virtual Vehicle Research Center（虚拟车辆研究中心）；University of Sarajevo（萨拉热窝大学）；Graz University of Technology（格拉茨工业大学）
本文介绍了初步的工作学习搜索启发式的最佳运动规划自动驾驶在城市交通。以前的工作考虑基于搜索的最佳运动规划框架（SBOMP），利用数值或基于模型的算法，不考虑动态障碍。由于动态障碍物只会增加成本，因此仍然保证最优解。然而，观察到的搜索效率的显着变化取决于是否存在动态障碍。本文介绍了机器学习（ML）的启发式，考虑到动态障碍，从而增加了性能的一致性，实现实时实施。
2018-06-13 cs.LG cs.RO stat.ML
Fast Path Planning Through Large Collections of Safe Boxes
Massachusetts Institute of Technology（麻省理工学院）；Stanford University（斯坦福大学）
提出一种基于加权图最短路径和凸最优控制的快速算法，在大量轴对齐安全盒子集合中生成始终安全的平滑轨迹，并能检测不可行性，附开源实现。
2024-01-02 cs.RO cs.SY eess.SY
A Safe Hybrid Control Framework for Car-like Robot with Guaranteed Global Path-Invariance using a Control Barrier Function
University of California at Santa Cruz（加州大学圣克鲁兹分校）；New Jersey Institute of Technology（新泽西理工学院）
针对类车机器人在路径周围有障碍物时需避障、到达路径并保持不偏离的问题，提出两阶段混合控制框架：定义无障邻域并设计含控制障碍函数的局部控制器保证路径不变性，集成全局跟踪控制器实现全局收敛，仿真验证其有效性与鲁棒性。
2025-02-11 cs.RO cs.SY eess.SY
Grasp Execution Without a Planner: Configuration-Space Grasp Distance Fields with Certified Safety & Guaranteed Quality
University of Maryland（马里兰大学）；Institute for Systems Research (ISR)（系统研究所（ISR））
该研究提出带可验证安全与质量保证的抓取距离场（GDFs），无需规划器即可执行抓取，在仿真中成功抓取 50 个物体中的 46 个，每步 QP 求解仅需 0.09 ms。
2026-08-10 cs.RO cs.SY eess.SY
Robust Deep Learning Control with Guaranteed Performance for Safe and Reliable Robotization in Heavy-Duty Machinery
Business Finland Partnership Project（Business Finland合作伙伴项目）；Tampere（塔尔帕）
本研究提出了一种鲁棒深度学习控制框架，旨在提升重型机械在电气化和自主性转型中的安全性和可靠性，通过模块化设计和分层策略实现性能保障。
2025-12-29 cs.RO cs.SY eess.SY
Safety-Critical Ergodic Exploration in Cluttered Environments via Control Barrier Functions
Yale University（耶鲁大学）
针对杂乱环境下自主探索的安全轨迹规划问题，提出结合离散控制障碍函数安全约束与遍历轨迹优化的方法，经仿真和多平台无人机实验验证可实现安全有效的全覆盖探索。
2023-04-29 cs.RO
Safety-Critical Control with Bounded Inputs: A Closed-Form Solution for Backup Control Barrier Functions
Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）；Mechanical Engineering, Wichita State University（机械工程系，威斯康星州立大学）
针对输入有界系统的安全控制难题，本文提出一种在标称控制器与备份控制器间最优插值的闭式解方法，保证安全且满足输入界限，并在双积分器和固定翼飞机上验证有效性。
2025-10-06 cs.RO cs.SY eess.SY
Safe Reinforcement Learning Filter for Multicopter Collision-Free Tracking under disturbances
College of Electronics and Information Engineering, Sichuan University（四川大学电子信息工程学院）
针对输入扰动下多旋翼无人机的无碰撞轨迹跟踪问题，提出结合新型鲁棒控制屏障函数的安全强化学习滤波器，通过二次规划求解保障安全控制，经仿真与实物实验验证了其有效性与优异性能。
2024-10-09 cs.RO
Differentiable Control Barrier Functions for Vision-based End-to-End Autonomous Driving
Massachusetts Institute of Technology（麻省理工学院）
与状态感知控制场景不同，基于感知的学习系统缺乏真实状态信息，因此保证其安全性具有挑战性。在本文中，我们介绍了一个基于视觉的端到端自动驾驶的安全保证学习框架。为此，我们设计了一个学习系统，配备了可微控制障碍函数（dCBF），训练端到端的梯度下降。我们的模型是由传统的神经网络架构和dCBF。它们在规模上具有可解释性，在有限的训练数据下实现了出色的测试性能，在车道保持、避障等一系列自动驾驶场景下都有安全保障。我们在模拟到真实的环境中评估了我们的框架，并在真实的自动驾驶汽车上进行了测试，通过增强现实（AR）和真实停放的车辆实现了安全的车道跟随和避障。
2022-03-04 cs.CV cs.LG cs.RO
Planning on a (Risk) Budget: Safe Non-Conservative Planning in Probabilistic Dynamic Environments
ISEE AI；University of California, Los Angeles（加州大学洛杉矶分校）
规划环境中的其他代理，其未来的行动是不确定的，往往需要安全和性能之间的妥协。在这里，我们的目标是设计有效的规划算法，保证边界上的安全违规的概率，但实现非保守性能。为了量化系统的风险，我们定义了一个自然的标准，称为区间风险界限（IRBs），它提供了一个参数上限的概率在给定的时间间隔或任务的安全违规。我们提出了一种新的滚动时域算法，并证明了它可以满足一个理想的IRB。我们的算法保持了一个动态的风险预算，约束在每次迭代的允许风险，并保证递归的可行性，需要一个安全的集是可达的应急计划在预算内。我们根据经验证明，我们的算法在涉及与其他车辆碰撞避免的场景中的两个模拟自动驾驶实验中比强基线更安全，更不保守，并且还证明了我们的算法在自动驾驶8级卡车上运行。
2021-06-16 cs.RO
Safe Open-Loop Strategies for Handling Intermittent Communications in Multi-Robot Systems
Georgia Institute of Technology（佐治亚理工学院）
在多机器人系统中，中央决策者指定每个单独机器人的运动，通信故障会严重损害系统的性能。本文开发了一种运动策略，使机器人安全地处理这种多机器人架构的关键通信故障。对于每个机器人，所提出的算法计算的时间范围内，与其他机器人的碰撞是保证不会发生。这些安全时间范围包括在传输给各个机器人的命令中。在通信失败的情况下，机器人执行最后接收到的速度命令，对应的安全时间范围，导致可证明安全的开环运动策略。由此产生的算法是计算有效的，是不可知的机器人正在执行的任务。该策略的有效性进行了验证，在模拟以及差分驱动移动机器人的团队。
2017-02-11 cs.MA cs.RO
Decentralized Safe Reactive Planning under TWTL Specifications
University of Minnesota（明尼苏达大学）
我们研究了一个多智能体规划问题，每个智能体的目标是实现一个单独的任务，同时避免与他人的冲突。我们假设每个代理的任务表示为一个时间窗口时序逻辑（TWTL）规范定义在一个3D环境。我们提出了一个分散的滚动时域算法在线规划的轨迹。我们表明，当环境是充分连接，所产生的代理轨迹总是安全的（无碰撞），并导致满意的TWTL规范或其有限的时间松弛。因此，死锁总是被避免，并保证每个代理在最坏的情况下，以有限的时间延迟安全地完成其任务。所提出的算法的性能通过数值模拟和实验证明与四旋翼。
2020-07-23 cs.MA cs.RO cs.SY
A Safe Hierarchical Planning Framework for Complex Driving Scenarios based on Reinforcement Learning
University of California, Berkeley（加州大学伯克利分校）；Tsinghua University（清华大学）
自动驾驶汽车需要处理各种交通状况，并做出安全有效的决策和操纵。然而，一方面，单个基于优化/采样的运动规划器不能有效地实时的生成安全轨迹，特别是当附近有许多交互式车辆时。另一方面，端到端的学习方法不能保证结果的安全性。为了解决这一挑战，我们提出了一个分层的行为规划框架，一组低级别的安全控制器和一个高级别的强化学习算法（H-CtRL）作为协调员的低级别控制器。安全性由底层优化/采样控制器保证，而高级强化学习算法使H-CtRL成为自适应和高效的行为规划器。为了训练和测试我们提出的算法，我们建立了一个模拟器，可以使用真实世界的数据集再现交通场景。H-CtRL被证明是有效的，在各种现实的仿真场景，具有令人满意的性能，在安全性和效率。
2021-06-09 cs.AI cs.RO cs.SY
