A Recursive CBF Framework for Safety under State Uncertainty
University of California at Los Angeles（加州大学洛杉矶分校）；California Institute of Technology（加州理工学院）
针对状态不确定性下CBF安全控制缺乏递归可行性的问题，提出强制执行安全子集前向不变性的递归CBF框架，确保系统始终存在鲁棒安全控制输入。
2026-09-17 cs.SY eess.SY
Safety Under State Uncertainty: Robustifying Control Barrier Functions
UCLA（加州大学洛杉矶分校）；Caltech（加州理工学院）
针对控制障碍函数依赖精确状态而实际仅得噪声或估计状态的问题，提出鲁棒控制障碍函数（R-CBF），无需不确定性大小即可合成鲁棒安全控制器，仿真验证其额外鲁棒性与收敛性保证。
2026-09-18 cs.SY eess.SY
Uncertainty Quantification for Recursive Estimation in Adaptive Safety-Critical Control
针对自适应安全关键控制场景，提出基于RLS参数估计仿射特性、用zonotope实现集合估计传播的不确定性量化框架，可结合控制屏障函数合成带扰动系统的安全控制器，经示例验证有效。
2024-03-12 cs.SY eess.SY
Robust Control Barrier Functions with Uncertainty Estimation
本文提出一种基于不确定性估计的控制障碍函数安全控制器，通过设计带理论上界的新估计器并结合高阶CBF凸优化，有效提升了含未建模动态和扰动系统的闭环鲁棒安全性。
2023-04-17 cs.SY eess.SY
dkpy: Robust Control with Structured Uncertainty in Python
McGill University（麦吉尔大学）
针对控制设计中模型存在结构化不确定性影响闭环鲁棒性的问题，本文推出开源Python包dkpy，支持相关鲁棒控制器分析综合与模型不确定性表征。
2025-11-17 cs.SY eess.SY
Structured μ-Synthesis for Nanopositioners under Payload-Induced Uncertainties: Minimising Conservatism for Robust Performance
Delft University of Technology（代尔夫特理工大学）
本文提出了一种针对负载诱导不确定性的纳米定位器结构μ综合方法，通过多块不确定性模型减少保守性，提升系统鲁棒性能。
2026-01-17 cs.SY eess.SY
Barrier Pairs for Safety Control of Uncertain Output Feedback Systems
针对部分状态信息下不确定单输入单输出系统的安全控制问题，提出同时构建障碍函数与动态输出反馈安全控制器的方法，并设计基于标识符的估计器与故障检测器以保障系统安全。
2023-08-01 cs.SY eess.SY math.OC
Safety Control of Uncertain MIMO Systems Using Dynamic Output Feedback Barrier Pairs
本文针对不确定MIMO系统在部分状态信息下的安全控制问题，提出结合向量范数障碍函数与动态输出反馈控制器的方法，并设计障碍函数估计器提供鲁棒上界，在紧输入约束下优于现有方法。
2024-09-30 cs.SY eess.SY math.OC
Robust Safety-Critical Control of Networked SIR Dynamics
Elmore Family School of Electrical and Computer Engineering at Purdue University（普渡大学埃尔莫电气与计算机工程学院）；Department of Electrical Engineering and Computer Science at the University of California, Irvine（加州大学尔湾分校电气与计算机工程系）
本文提出了一种基于控制屏障函数和鲁棒控制屏障函数的网络SIR动态鲁棒安全关键控制方法，通过补偿项增强对不确定性的安全性，以确保公共卫生安全。
2026-02-02 cs.SY eess.SY
Quadratic Programming for Continuous Control of Safety-Critical Multi-Agent Systems Under Uncertainty
研究了基于二次规划的安全关键多智能体系统的控制问题。每个被控主体被建模为一个积分器和一个不确定非线性驱动系统的级联。特别地，积分器表示位置-速度关系，并且致动系统描述实际速度对速度参考信号的动态响应。输入输出稳定性（IOS）的概念是用来表征的驱动系统的基本速度跟踪能力。驱动动力学的不确定性可能导致避碰QP算法的不可行性或不连续解。此外，受控积分器和不确定的致动动态之间的相互作用可能导致显著的鲁棒性问题。通过使用非线性控制方法和数值优化方法，本文首先贡献了一个新的可行集整形技术和改进的QP算法的可行性，鲁棒性和局部Lipschitz连续性。然后，我们提出了一个非线性小增益分析来处理固有的相互作用，以保证安全的闭环多智能体系统。数值模拟和物理实验表明，所提出的方法。
2022-11-30 cs.SY eess.SY
Robust Safety under Stochastic Uncertainty with Discrete-Time Control Barrier Functions
部署在非结构化的，真实世界的环境中的机器人在相当大的不确定性下运行，由于不完善的状态估计，模型误差和干扰。鉴于这种现实世界的背景下，本文的目标是开发控制器，可证明安全的不确定性。为此，我们利用控制障碍函数（CBF），保证机器人在其操作过程中保持在"安全设置“-但CBF（及其相关的保证）传统上是在连续时间的背景下，确定性系统有界不确定性的研究。在这项工作中，我们研究了离散时间CBF（DTCBF）的离散时间动态和无界随机干扰系统的安全性。利用鞅理论的工具，我们开发的概率界的安全性（在有限的时间范围内）的系统的动态满足离散时间障碍函数条件的期望，并分析的效果Jensen的不等式DTCBF为基础的控制器。最后，我们提出了几个例子，我们的方法合成安全的控制输入的系统受到显着的过程噪声，包括倒立摆，双积分器，和四足动物在狭窄的道路上。
2023-02-23 cs.SY eess.SY
Synthesizing Safety Controllers for Uncertain Linear Systems: A Direct Data-driven Approach
针对受未知但有界扰动影响的未知线性系统，提出了一种直接数据驱动的安全控制器设计方法，该方法不需要辨识未知模型.首先，我们提出了$γ$ -鲁棒安全不变（$γ$ -RSI）集及其相关的状态反馈控制器的概念，可以应用于执行不变性。然后，我们制定了一个数据驱动的计算这些集的凸优化问题与线性矩阵不等式（LMI）的约束，可以解决的基础上收集的数据从一个单一的输入状态轨迹的系统的有限数量。为了证明所提出的方法的有效性，我们将我们的结果应用到一个4维倒立摆。
2022-06-01 cs.SY eess.SY
Adaptive Safety with Control Barrier Functions
自适应控制李雅普诺夫函数（aCLF）是在20年前提出的，它提供了一种基于李雅普诺夫的方法来稳定具有参数不确定性的系统。本文的目标是在安全关键控制的背景下，重新审视这一经典的配方。这将在安全性的背景下激发aCLF的变体：自适应控制障碍函数（aCBF）。我们所提出的方法自适应地实现安全，即使在参数模型的不确定性的存在下，保持系统的状态在一个安全的集合。我们将aCLFs和aCBFs统一为一个单一的控制方法，在一个基于二次规划（QP）的框架的背景下，不确定参数的系统。我们验证了这个统一的框架，以实现自适应巡航控制（ACC）模拟的稳定性和安全性的能力。
2019-10-01 cs.SY eess.SY
Online Adaptive Probabilistic Safety Certificate with Language Guidance
Carnegie Mellon University（卡内基梅隆大学）；University of Hyogo（兵库大学）
本文提出一种语言指导的自适应概率安全证书框架，用于在不确定环境中保障长期安全，同时适应人类偏好变化。
2026-05-08 cs.SY eess.SY
Multi-Robot Collision Avoidance under Uncertainty with Probabilistic Safety Barrier Certificates
Carnegie Mellon University（卡内基梅隆大学）；Cornell University（康奈尔大学）；Microsoft Corporation（微软公司）
多机器人系统在不确定性、非确定性和信息不完全的情况下，其避碰安全性是一个难题。本文的目的是提出一种避免碰撞的方法，占测量不确定性和运动不确定性。特别是，我们提出了概率安全屏障证书（PrSBC）使用控制屏障功能来定义空间的可接受的控制行动，是概率安全的正式可证明的理论保证。通过将机会约束安全集公式化为具有PrSBC的确定性控制约束，该方法需要最小地修改现有控制器以经由约束于PrSBC约束的二次规划来确定替代安全控制器。该方法的主要优点是，除了有限支持之外，不需要对不确定性的形式进行任何假设，也可以实现最坏情况的保证。我们证明了该方法的有效性，通过在现实的仿真环境中的实验。
2020-12-07 cs.RO cs.SY eess.SY
Measurement-Robust Control Barrier Functions: Certainty in Safety with Uncertainty in State
现代机器人系统及其运行环境的复杂性日益增加，需要在存在不完美测量的情况下正式考虑安全性。在本文中，我们提出了一个严格的框架，安全关键控制系统的错误状态估计。我们开发了这个框架，利用控制障碍函数（CBF）和统一的方法备份集的控制不变集与鲁棒性的要求-最终结果是测量-鲁棒控制障碍函数（MR-CBF）的合成。这提供了理论上的安全行为的保证，在存在不完美的测量和改进的鲁棒性超过标准的CBF方法。我们证明了这个框架的有效性，在仿真和实验上的赛格威平台上使用板载立体视觉摄像头的状态估计。
2021-04-28 cs.SY eess.SY
Robustness of Safety for Linear Dynamical Systems: Symbolic and Numerical Approaches
本文研究线性动力系统安全性对模型不确定性的鲁棒性。本文共分三个部分。在第一部分中，我们提供了符号（分析）和数值（表示为基础）的技术计算不确定线性系统的可达集。进一步证明了线性不确定系统的可达集与不确定动态矩阵的最大奇异值之间的关系。最后，我们提出了两种算法来计算系统的鲁棒性阈值-最大的不确定性，可以引入到系统，而不违反安全属性。我们评估的可达集计算技术，奇异值的影响，估计的鲁棒性阈值的两个案例研究，从不同的领域，说明了适用性，实用性和可扩展性的工件，本文提出的，在现实世界中的例子。我们进一步评估我们的工件上的几个线性动力系统基准。据作者所知，这是第一个工作：（i）扩展摄动理论计算线性不确定系统的可达集，（ii）利用线性系统的可达集和最大奇异值之间的关系，以确定不确定性的影响和（3）估计阈值的鲁棒性，可以容忍的系统，同时保持安全。
2021-09-16 cs.SY eess.SY
Observer-Based Environment Robust Control Barrier Functions for Safety-critical Control with Dynamic Obstacles
本文提出一种基于观测器的环境鲁棒控制障碍函数（ECBF）安全关键控制器，通过将障碍物状态观测器纳入ECBF设计以降低保守性，并在二次规划框架下保证安全性，有效应对动态障碍物的测量与预测不确定性。
2024-03-20 cs.SY eess.SY
Learning Robust Safety Controllers for Uncertain Input-Affine Polynomial Systems
本文针对未知动态的输入仿射多项式系统，提出基于持续激励数据的直接数据驱动方法，通过平方和优化综合鲁棒控制屏障证书与鲁棒安全控制器，无需显式建模即可在无限时间范围内保证扰动下的安全性。
2025-07-20 cs.SY eess.SY
Glycemic Safety Tube: A Provably Safe Control Framework for Artificial Pancreas Systems under Parametric Uncertainty
Indian Institute of Science, Bengaluru（印度科学学院）；Robert Bosch Centre for Cyber-Physical Systems（罗伯特博世网络物理系统中心）
本文提出Glycemic Safety Tube Control，一种无需模型且计算高效的自动胰岛素输送控制框架，通过设计临床相关安全边界保证血糖在安全范围内，并在有限的餐食干扰和估计误差下保证安全性和输入约束满足。
2026-05-11 cs.SY eess.SY
Sensor-Based Safety-Critical Control Using an Incremental Control Barrier Function Formulation via Reduced-Order Approximate Models
针对现有控制屏障函数依赖精确模型、难适配参数不确定场景的问题，提出测量鲁棒增量控制屏障函数MRICBFs，利用基于传感器的降阶模型，在处理传感器精度与近似误差的同时提供严格安全保障，经一阶系统和高超声速滑翔飞行器仿真验证有效。
2025-03-24 cs.SY eess.SY
Adaptive Safety-Critical Control for a Class of Nonlinear Systems with Parametric Uncertainties: A Control Barrier Function Approach
针对含参数不确定性的非线性系统安全控制问题，提出结合控制障碍函数与自适应律的方法，可无在线参数估计验证容许控制集非空，还通过数据驱动算法优化参数边界，经仿真验证有效。
2024-04-13 cs.SY eess.SY
Safety Control of Monotone Systems with Bounded Uncertainties
Boston University（波士顿大学）
本文研究了具有有界不确定性的离散时间单调系统安全控制问题，提出基于约束编程的方法，通过有限控制动作序列重复来实现系统状态的安全约束，无需状态测量。
2018-07-27 cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas（德克萨斯大学达拉斯分校）
本文针对不确定动态障碍物环境下的机器人运动规划安全问题，提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案，以降低碰撞风险，并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Composite Adaptive Control Barrier Functions for Safety-Critical Systems with Parametric Uncertainty
University of South Alabama（南阿拉巴马大学）
本文提出了一种适用于具有线性参数不确定性的非线性控制仿函数系统的复合自适应控制屏障函数算法，通过复合能量函数设计适应律，保证系统安全性和稳定性。
2026-09-30 cs.SY eess.SY math.OC
Safe Control for Nonlinear Systems with Stochastic Uncertainty via Risk Control Barrier Functions
保证机器人和自主系统在现实环境中的安全性是一项具有挑战性的任务，需要减轻随机不确定性。近年来，控制障碍函数已被广泛用于加强安全相关的集合论性质，如前向不变性和可达性，非线性动力系统。在本文中，我们扩展了这个丰富的框架，非线性离散时间系统的随机不确定性，并提出了一个框架，以确保风险敏感的安全一致的风险措施。为此，我们引入风险控制障碍函数（RCBFs），这是障碍函数和动态的，连贯的风险措施的组合。我们表明，这种障碍函数的存在意味着在一个连贯的风险意义上的不变性。此外，我们制定了基于有限时间RCBF的条件，以保证有限时间的可达性的期望设置在一致的风险。风险敏感的安全性和有限时间可达的集合组成的布尔复合多RCBF的条件也制定。我们所提出的方法的有效性，通过其应用到一个车杆系统中的安全关键的情况。
2022-03-29 cs.SY eess.SY
Synthesis of safety certificates for discrete-time uncertain systems via convex optimization
本文针对受加性扰动的离散时间线性系统，提出两类半定规划以协同设计控制障碍函数和线性反馈控制器，分别给出最坏情形无限时域安全与有限时域概率安全保证，并扩展至输入约束、分布模糊、安全滤波和避障。
2025-05-13 cs.SY eess.SY math.OC
Stochastic Control Barrier Functions under State Estimation: From Euclidean Space to Lie Groups
University of California, Irvine（加州大学尔湾分校）
本文提出了一种在状态估计不确定性下具有可证明安全概率的控制框架，适用于从欧几里得空间到李群的状态空间的随机系统。
2026-01-23 cs.SY eess.SY
Statistical Guarantees in Data-Driven Nonlinear Control: Conformal Robustness for Stability and Safety
Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系）
提出一种与真实动力学无关的统计严谨框架，通过保形鲁棒性概念，利用保形预测量化模型预测不确定性，构建保形鲁棒控制李雅普诺夫函数和屏障函数，为全数据驱动非线性控制提供有限时域指数稳定性和安全性的统计保证。
2026-06-01 cs.SY eess.SY
Safe Sliding Mode Controllers for Nonlinear Uncertain Systems
本文针对非线性不确定系统提出一种带外防护回路的滑模安全关键控制器，利用增广状态和控制障碍函数设计防护信号，在保证稳定性的同时满足安全约束，并给出闭式解避免实时求解二次规划。
2024-06-06 cs.SY eess.SY
Robust Safety-Critical Control for Dynamic Robotics
University of Southern California（南加州大学）；University of California, Berkeley（加州大学伯克利分校）
我们提出了一种新的最优鲁棒控制方法，通过二次规划，提供跟踪稳定性，同时受到输入和基于状态的约束，以及安全临界约束的非线性动态机器人系统中存在的模型不确定性。所提出的方法制定了鲁棒控制李雅普诺夫和障碍函数，以提供在存在模型不确定性的稳定性和安全性的保证。我们评估我们提出的控制设计的五连杆平面双足机器人的接触力的约束，以及安全关键的精确的脚放置在踏脚石上的动态行走，同时受到模型的不确定性。我们进行了初步的实验验证所提出的控制器在不同类型的模型不确定性和扰动下的直线弹簧车系统。
2021-04-13 cs.RO cs.SY eess.SY
Distributed Safe Learning using an Invariance-based Safety Framework
在不确定动力系统的大规模网络中，通信是有限的，子系统之间有很强的相互作用，学习局部模型和控制策略提供了设计高性能控制器的巨大潜力。与此同时，缺乏安全保证，这里考虑的约束满足的形式，防止使用数据驱动技术的安全关键的分布式系统。本文提出了一个安全框架，保证约束满足不确定分布式系统的学习。该框架考虑了动力学中存在耦合的线性系统，且系统具有有界参数不确定性，利用鲁棒不变性保证系统的安全性。特别是，一个强大的非凸不变集，给出了多个椭球不变集的联合，和一个非线性备份控制律，给出了多个稳定的线性反馈的组合，离线计算。在存在不安全输入的情况下，安全框架应用后备控制律，防止系统违反约束。由于鲁棒不变集和备用稳定控制器是离线计算的，因此在线操作简化为简单的函数评估，这使得能够在计算资源有限的系统上使用所提出的框架。的安全框架的能力，说明了三个数值例子。
2020-07-01 cs.SY eess.SY
Safety Monitor for Off-Road Planning with Uncertainty Bounded Bekker Costs
University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校）；Texas A&M University（德克萨斯农工大学）；U.S. Army Corps of Engineers Engineering Research and Development Center（美国陆军工程兵团工程研究与开发中心）
本文提出一种运行保证安全监控器，通过Bekker成本模型和有界不确定性，确保越野规划在土壤强度不确定时的安全性和可预测性。
2025-10-23 cs.SY eess.SY
A Control Approach for Nonlinear Stochastic State Uncertain Systems with Probabilistic Safety Guarantees
本文针对部分状态观测的随机系统，提出一种先基于确定性模型生成控制策略、再通过重要性采样随机搜索优化控制序列的方法，实现概率安全保证且计算复杂度与状态维度无关。
2023-09-15 cs.SY eess.SY
A Control Barrier Perspective on Episodic Learning via Projection-to-State Safety
在本文中，我们试图量化的学习能力，以提高控制障碍函数（CBF）赋予的安全保证。特别是，我们研究了如何通过学习减少CBF的时间导数中的模型不确定性，以及这如何导致对系统安全行为的更强声明。为此，我们建立在输入到状态安全（ISSf）的想法来定义投影到状态安全（PSSf），其特征在于在预测的干扰方面的安全退化。这使得能够直接量化学习如何提高安全保证，以及学习误差的界限如何转化为安全降级的界限。我们证明了一个实用的情景学习方法可以使用PSSf来减少不确定性，提高仿真和实验中的安全保证。
2020-03-18 cs.SY eess.SY
A new method for vehicle system safety design based on data mining with uncertainty modeling
在这项研究中，一种新的基于数据挖掘的设计方法已经开发出设计复杂的机械系统，如防撞客车的不确定性建模。该方法允许探索大的碰撞仿真数据集，以自上而下的方式在多个级别（主要能量吸收系统，部件和几何特征）设计车辆，并基于整个车身安全要求导出设计规则，以做出对部件和子部件级设计的决策。通过对整车和部件仿真数据集的挖掘，建立决策树，揭示参数间的相互关系，导出设计规则，得到性能良好的设计方案。这种方法已被扩展到会计设计变量的不确定性。提出了一种新的不确定数据决策树算法（DTUD），用于产生所需的设计和评估由于设计变量的不确定性而引起的设计性能变化。通过试验设计和碰撞有限元分析相结合的方法实现了该方法的框架，并通过设计一辆轿车进行正面碰撞验证。结果表明，该方法能够有效地实现设计目标。通过应用新的方法，也大大提高了最终设计的可靠性。这种方法有可能被应用为一个通用的设计方法，为广泛的复杂结构和机械系统。
2021-07-12 cs.SY eess.SY
Distributed Risk-Sensitive Safety Filters for Uncertain Discrete-Time Systems
Department of Electrical and Computer Engineering, College of Design and Engineering, National University of Singapore（新加坡国立大学电气与计算机工程系，设计与工程学院）；Learning & Adaptive Systems Group, Department of Computer Science, ETH Zurich（苏黎世联邦理工学院计算机科学系学习与自适应系统小组）
本文提出一种分布式风险敏感安全滤波器，用于不确定离散时间多智能体系统，通过价值函数定义的控制屏障函数和两种替代策略确保安全性与鲁棒性。
2025-06-09 cs.AI cs.LG cs.SY
Bayesian Safety Guarantees for Port-Hamiltonian Systems with Learned Energy Functions
Elmore Family School of Electrical and Computer Engineering, Purdue University（普渡大学埃尔莫尔家族电气与计算机工程学院）
本文提出一种基于贝叶斯方法的端到端安全保证框架，通过学习能量函数传播不确定性，确保系统安全。实验表明该方法在有限且噪声数据下仍能保持安全，且在平面机械臂上比无结构GP-CBF方法更有效。
2026-09-21 cs.RO cs.SY eess.SY
Robust Control Barrier Functions using Uncertainty Estimation with Application to Mobile Robots
Caltech（加州理工学院）
本文提出一种结合控制障碍函数与不确定性估计器的鲁棒安全控制框架，通过基于二次规划的反馈控制律确保非线性系统在匹配与不匹配不确定性下的安全性，并在弹性执行器仿真和履带机器人实验中验证了其有效性。
2025-01-31 cs.RO cs.SY eess.SY
A Scenario Approach to Risk-Aware Safety-Critical System Verification
随着在非结构化和不确定的环境中部署机器人的兴趣越来越大，人们对将风险因素纳入安全关键控制开发的兴趣也越来越大。同样，作者认为，在验证这些控制器时也应该考虑风险。在追求样本有效的方法不确定的黑盒验证，然后，我们首先详细介绍了一种方法来估计任意标量随机变量的风险值，而不需要\textit{apriori}的知识，其分布。然后，我们重新制定的不确定性验证问题的风险价值估计问题，利用我们以前的结果。在这样做时，我们提供了基本的采样要求，以高置信度约束可能产生不安全现象的黑盒系统的状态和参数的量。我们还表明，这个过程的工作原理独立于系统的复杂性，通过模拟的例子的机器人。
2022-03-04 cs.SY eess.SY
A Data-Driven Krasovskii-Based Approach for Safety Controller Design of Time-Delayed Uncertain Polynomial Systems
School of Computing, Newcastle University（纽卡斯尔大学计算学院）
本文提出了一种数据驱动的方法，用于设计具有时间延迟和未知扰动的多项式系统安全控制器，通过Krasovskii控制屏障证书实现鲁棒安全性保障。
2026-11-03 cs.SY eess.SY
Stochastic Model Predictive Control with a Safety Guarantee for Automated Driving: Extended Version
自动驾驶汽车需要在不确定的环境中进行有效和安全的规划。大多数情况下，这种不确定性是由其他交通参与者引起的，例如，周边车辆。周围车辆的未来运动通常难以预测。而鲁棒控制方法实现安全，但保守的自动车辆的运动规划，随机模型预测控制（SMPC）提供了有效的规划存在的不确定性。应用概率约束以确保最大风险保持在预定义水平以下。然而，由于可能违反概率约束，无法确保安全性，这对于自动驾驶车辆是不可接受的。在这里，我们提出了一个有效的轨迹规划框架与自动驾驶汽车的安全保证。SMPC被应用于获得有效的车辆轨迹有限的地平线。基于第一优化SMPC输入，使用可达集规划有保证的安全备份轨迹。此备份用于覆盖SMPC输入（如有必要），以确保安全。证明了安全SMPC算法的递归可行性。高速公路模拟表明所提出的方法的有效性，性能和安全性。
2022-06-08 cs.SY eess.SY
Trajectory Planning Under Environmental Uncertainty With Finite-Sample Safety Guarantees
我们解决的问题，轨迹规划的环境中由一组障碍物与不确定的时变位置。使用广泛接受的高斯分布的不确定性建模，从而在一个机会约束的程序。然而，与以前的方法相反，我们不假设完美的知识的分布的时刻，而是通过有限的样本从传感器或过去的数据来估计它们。我们得到严格的浓度范围内的错误，这些估计，以充分收紧的机会约束程序。因此，我们提供了可证明的保证满足相应的机会约束的名义尚未未知的时刻。我们用两个自主车辆轨迹规划案例研究来说明我们的结果。
2021-08-13 cs.SY eess.SY math.OC
Uncertainty-Aware Predictive Safety Filters for Probabilistic Neural Network Dynamics
Institute for Data Science in Mechanical Engineering (DSME), RWTH Aachen University（机械工程数据科学研究所（DSME），亚琛工业大学）；Institute of Climate and Energy Systems (ICE), Energy Systems Engineering (ICE-1), Forschungszentrum Jülich GmbH（气候与能源系统研究所（ICE），能源系统工程（ICE-1），焦耳研究中心有限公司）
本文提出了一种具有不确定性的预测安全过滤器（UPSi），通过将未来结果建模为可达集，利用概率集合（PE）神经网络动态模型提供严格的安全预测，从而在模型基于强化学习（MBRL）中提升探索安全性，同时保持与标准MBRL相当的性能。
2026-08-11 cs.LG cs.SY eess.SY
Incorporating Epistemic Uncertainty into the Safety Assurance of Socio-Technical Systems
University of York（约克大学）
本文提出一种管理认知不确定性的方法，通过构建包含安全关键因果关系的参考库和模型，提升危险分析中对未知和已知不确定性的识别与跟踪能力。
2017-10-10 cs.SE cs.SY eess.SY
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
Barrier Bayesian Linear Regression: Online Learning of Control Barrier Conditions for Safety-Critical Control of Uncertain Systems
University of Toronto Institute for Aerospace Studies（多伦多大学航空航天研究所）；Technical University of Munich（慕尼黑工业大学）；University of Toronto Robotics Institute（多伦多大学机器人研究所）；Vector Institute for Artificial Intelligence（矢量人工智能研究所）
在这项工作中，我们考虑的问题，设计一个安全滤波器的非线性不确定控制系统。我们的目标是增加一个任意的控制器与安全过滤器，使整个闭环系统是保证留在一个给定的状态约束集，被称为安全。对于具有已知动态的系统，控制障碍函数（CBF）提供了一个标量条件来确定系统是否安全。对于不确定系统，已经提出了鲁棒或自适应CBF认证方法。然而，这些方法可能是保守的，或者要求系统具有特定的参数结构。对于更一般的不确定系统，机器学习方法已被用来近似CBF条件。这些工作通常假设学习模块在部署之前经过充分的训练。学习过程中的安全性无法保证。我们提出了一个障碍贝叶斯线性回归（BBLR）的方法，保证安全的在线学习的CBF条件的真实，不确定的系统。我们假设名义系统和真实系统之间的误差有界，并利用CBF条件的结构。我们表明，我们的方法可以安全地扩大一套可认证的控制输入，尽管系统和学习的不确定性。我们的方法的有效性证明在模拟使用二维摆稳定任务。
2022-04-08 cs.RO cs.SY eess.SY
Uncertainty-aware Latent Safety Filters for Avoiding Out-of-Distribution Failures
Carnegie Mellon University（卡内基梅隆大学）
本文提出一种不确定性感知的潜在安全过滤器，利用世界模型的认知不确定性和一致性预测校准阈值，在增强状态空间中进行可达性分析，以主动避免已知和未知的分布外故障，并在Franka机械臂上验证其有效性。
2025-09-23 cs.LG cs.RO cs.SY
Centrality in Time-Delay Consensus Networks with Structured Uncertainties
Lehigh University（利哈伊大学）；Massachusetts Institute of Technology（麻省理工学院）
本文研究了时间延迟线性共识网络中网络中心性的定义，考虑了底层耦合图、外生不确定性结构和通信时间延迟的影响，通过H2范数定义中心性度量，并分析了时间延迟、图拉普拉斯矩阵和输入噪声协方差矩阵对中心性的影响。
2019-02-22 cs.SY eess.SY
Probabilistic Control Barrier Functions for Systems with State Estimation Uncertainty using Sub-Gaussian Concentration
California Institute of Technology（加州理工学院）；Illinois Institute of Technology（伊利诺伊理工学院）
本文提出一种基于粒子的概率控制屏障函数框架，利用高斯不确定性和子高斯结构，解决概率保证与计算可行性之间的权衡问题，提供有限样本的安全证书。
2026-04-10 cs.SY eess.SY
Reinforcement Learning for Safety-Critical Control under Model Uncertainty, using Control Lyapunov Functions and Control Barrier Functions
UC Berkeley（加州大学伯克利分校）
在本文中，安全关键控制中的模型不确定性的问题是解决与数据驱动的方法。为此，我们利用输入-输出线性化控制器的结构的基础上的标称模型以及控制障碍函数和控制李雅普诺夫函数基于二次规划（CBF-CLF-QP）。具体来说，我们提出了一种新的强化学习框架，学习模型的不确定性存在于CBF和CLF约束，以及其他控制仿射动态约束的二次规划。将训练后的策略与基于名义模型的CBF-CLF-QP相结合，得到基于强化学习的CBF-CLF-QP（RL-CBF-CLF-QP），解决了安全约束中的模型不确定性问题。通过在一个欠驱动非线性双足机器人上的实验，验证了该方法的有效性，在模型不确定的情况下，该机器人在具有一步预瞄的随机间隔踏脚石上行走，获得了稳定和安全的行走。
2020-06-04 cs.LG cs.RO cs.SY
Robust Control Barrier Functions with Sector-Bounded Uncertainties
本文主要研究对象输入具有扇区有界不确定性的安全临界控制问题。不确定性可以表示非线性和/或时变分量。我们提出了一种新的鲁棒控制障碍函数（RCBF）的方法来执行这些不确定性的存在下的安全要求。其主要目标是最小限度地改变给定的基线控制命令，以保证在建模的不确定性的存在下的安全。由此产生的最小范数最优化问题可以重铸为二阶锥程序（SOCP），使在线实施。研究了该控制器的性能，并通过数值算例说明了该方法的有效性。
2021-09-06 cs.SY eess.SY math.OC
Limits of Probabilistic Safety Guarantees when Considering Human Uncertainty
California Institute of Technology（加州理工学院）
当自动驾驶机器人与人类互动时，例如在自动驾驶过程中，明确的安全保障至关重要，以避免可能危及生命的事故。许多数据驱动的方法已经探索了学习人类代理轨迹的概率边界（即包含概率为$δ$的轨迹的置信度管），然后可以使用概率$1-δ$来保证安全性。然而，几乎所有现有的作品都考虑了$δ\geq 0.001$。本文的目的是认为：（1）在安全关键的应用程序中，有必要提供安全保证与$δ< 10^{-8}$，和（2）目前的学习为基础的方法是装备不良，以计算准确的置信区间在这样低的$δ$。使用人类驾驶数据（从highD数据集），以及合成生成的数据，我们表明，目前的不确定性模型使用不准确的分布假设来描述人类行为和/或需要不可行的数据量，以准确地学习$δ\leq 10^{-8}$的置信区间。这两个问题导致不可靠的置信界限，如果部署在安全关键系统上，可能会产生危险的影响。
2021-03-25 cs.MA cs.RO cs.SY
Distributionally Safe Reinforcement Learning under Model Uncertainty: A Single-Level Approach by Differentiable Convex Programming
Mississippi State University（密西西比州立大学）
针对Wasserstein分布偏移下的安全强化学习双层优化难题，提出基于对偶转换与可微凸规划的单层端到端框架，显著提升一阶和二阶系统的安全保证。
2023-10-03 cs.LG cs.RO cs.SY
