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
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan(密歇根大学)
我们提出了一种方法,反馈运动规划系统的未知动态提供概率保证的安全性,可达性和目标稳定性。为了找到一个域,在这个域中,可以信任真实动态的学习控制仿射近似,我们估计真实动态和学习动态之间的差异的Lipschitz常数,并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态,我们还推导出存在条件的一步反馈法,可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束,该规划器返回围绕标称规划的反馈策略,确保如果Lipschitz常数估计有效,则真实系统在计划执行期间是安全的,达到目标,并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明,使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
Pixels to Proofs: Probabilistically-Safe Latent World Model Control via Parallel Conformal Robust MPC
Georgia Institute of Technology(佐治亚理工学院)
提出SLS^2框架,结合保形预测与鲁棒模型预测控制,在学习的潜在世界模型中实现基于视觉的安全运动规划,提升目标到达性能与安全性。
2026-06-16 cs.AI cs.CV cs.LG
Accelerated Spline-Based Time-Optimal Motion Planning with Continuous Safety Guarantees for Non-Differentially Flat Systems
本文提出一种加速样条基时间最优运动规划方法,通过解耦分离超平面的确定与优化问题,减少计算时间达近60%,同时保持连续安全保证。
2026-03-25 cs.RO
Statistical Safety and Robustness Guarantees for Feedback Motion Planning of Unknown Underactuated Stochastic Systems
Johns Hopkins University Applied Physics Laboratory(约翰斯·霍普金斯大学应用物理实验室);University of Michigan(密歇根大学);Johns Hopkins University(约翰斯·霍普金斯大学)
针对一类具有未知非线性随机欠驱动动力学的系统,提出了一种综合规划与控制的运行时安全性和目标可达性的统计保证方法.具体来说,给定一个动态数据集,我们的方法联合学习一个平均动态模型,一个空间变化的扰动界,它捕获噪声和模型失配的影响,以及一个基于收缩理论的反馈控制器,它稳定了学习的动态。我们提出了一个基于采样的规划器,使用平均动态模型,同时通过一个学习的干扰界的闭环跟踪误差的界限。我们采用极值理论(EVT)的技术来估计,到一个指定的置信水平,几个常数的特征学习组件和管理的跟踪误差界的大小。这确保了计划在运行时被安全地跟踪。我们验证,我们的保证转化为经验安全的模拟10 D四旋翼,并在现实世界中的物理CrazyFlie四旋翼和Clearpath豺狼机器人,而基线,忽略模型误差和随机性是不安全的。
2022-12-13 cs.LG cs.RO
Probabilistic Control Barrier Functions: Safety in Probability for Discrete-Time Stochastic Systems
California Institute of Technology(加州理工学院);Tufts University(塔夫茨大学)
本文提出概率控制屏障函数,用于为离散时间随机系统设计具有概率安全保证的控制器,并通过仿真和硬件验证其有效性。
2026-02-08 cs.SY eess.SY math.OC
Probabilistic Safety Constraints for Learned High Relative Degree System Dynamics
California Institute of Technology(加州理工学院);University of California San Diego(加州大学圣地亚哥分校)
本文主要研究在线学习系统动态模型同时满足安全约束的问题.我们的动机是避免离线系统辨识或手动指定的动态模型,允许系统在在线运行期间安全自主地估计和适应自己的模型.给定系统状态的流观测,我们使用贝叶斯学习来获得系统动态的分布.反过来,该分布被用来优化系统的行为,并确保高概率的安全性,通过指定一个控制障碍函数的机会约束。
2020-05-06 cs.LG cs.RO cs.SY
EigenSafe: A Spectral Framework for Learning-Based Probabilistic Safety Assessment
Seoul National University(首尔国立大学);University of California, Berkeley(加州大学伯克利分校)
EigenSafe通过学习主导特征对提升强化学习的安全性,适用于机器人操作中的安全策略优化。
2026-02-16 cs.RO cs.SY eess.SY
Distributed Safe Control Design and Probabilistic Safety Verification for Multi-Agent Systems
University of Oxford(牛津大学)
本文提出了一种分布式算法,用于多智能体系统的安全控制设计和概率安全验证,通过合作机制解决不可行性问题,并通过场景方法量化安全性。
2025-03-24 cs.SY eess.SY math.OC
Probabilistic Safety under Arbitrary Disturbance Distributions using Piecewise-Affine Control Barrier Functions
Department of Electrical Engineering (ESAT- STADIUS), KU Leuven(荷鲁文大学电气工程系(ESAT-STADIUS))
本文提出基于分段仿射概率控制屏障函数的简单安全过滤器设计,通过混合整数规划和启发式搜索方法提升随机系统安全性和计算效率。
2025-12-03 cs.SY eess.SY math.OC
Navigation with Probabilistic Safety Constraints: Convex Formulation
我们考虑安全约束下的导航问题。安全约束是概率性的,其中给定集合被分配一个安全度,一个介于0和1之间的数字,0是安全的,1是不安全的。确定性不安全集将作为所提出的安全性概率描述的一个特殊情况出现。我们提供了一个凸公式的导航问题的概率安全约束。凸制定是可能的,通过提升的对偶空间的密度使用线性转移算子理论方法涉及Perron-Frobenius和Koopman运营商的导航问题。凸公式导致一个无穷维的概率安全验证和控制设计的可行性问题。最优化问题的有限维近似依赖于线性传递算子的数据驱动近似。
2022-03-23 math.OC
Probabilistic Safety Guarantee for Stochastic Control Systems Using Average Reward MDPs
University of New Hampshire(新罕布什尔大学)
针对随机控制系统因状态变量不可预测演化难以满足安全约束的问题,提出将安全目标转化为平均奖励MDP目标的算法,通过线性规划计算安全策略,在双积分器和倒立摆系统验证得该方法比最小折扣奖励解更优。
2025-11-11 cs.LG cs.RO cs.SY
Reinforcement Learning for Distributed Transient Frequency Control with Stability and Safety Guarantees
本文提出基于强化学习的分布式暂态频率控制方法,结合Lyapunov稳定性与安全关键控制推导充分条件,并通过分布式动态预算分配降低保守性,在IEEE 39节点系统上验证了稳定性、安全性及最优性的提升。
2024-01-06 cs.SY eess.SY math.OC
Feasibility-Guaranteed Safety-Critical Control with Applications to Heterogeneous Platoons
针对严格控制边界下高相对阶CBF约束易导致QP不可行的问题,提出含可行性约束的新型CBF,并在异构车队ACC中验证其可保证安全、可行且控制无突变。
2024-09-08 cs.SY eess.SY math.OC
Safety-Critical Control with Guaranteed Lipschitz Continuity via Filtered Control Barrier Functions
Boston University(波士顿大学);Massachusetts Institute of Technology(麻省理工学院);University of Maryland, College Park(马里兰大学帕克分校)
本文提出滤波控制屏障函数,通过引入输入正则化滤波器实现控制输入的利普希茨连续性,从而保证系统安全性和控制输入的平滑性。
2026-03-10 cs.SY eess.SY math.OC
Almost-Sure Safety Guarantees of Stochastic Zero-Control Barrier Functions Do Not Hold
Massachusetts Institute of Technology(麻省理工学院);Washington University in St. Louis(圣路易斯华盛顿大学)
本文指出随机ZCBF的几乎必然安全保证定理及其证明不成立,通过反例说明问题,并利用新的证明技术验证随机RCBF的安全性,进而提出修正的ZCBF条件,同时揭示漂移与扩散之比的发散速率是决定几乎必然安全保证的关键因素。
2023-12-05 cs.RO math.OC
Sensitivity and safety of fully probabilistic control
在本文中,我们提出了一个灵敏度分析所谓的全概率控制方案。该方案试图通过一个密度函数(pdf)来控制一个系统,并通过计算一个在Kullback-Leibler意义上最优的概率控制策略来实现。在神经网络、强化学习和数据驱动的迭代控制的背景下,通过pdf对感兴趣的系统进行建模的情况自然会出现。在介绍了灵敏度分析之后,我们重点描述了闭环系统的收敛区域,并介绍了该方案的安全性分析。通过仿真说明了结果。这是题为“关于数据驱动模型不确定性的完全概率控制的鲁棒稳定性”的论文的初步版本,该论文将在2019年欧洲控制会议上发表。
2019-03-22 math.OC
Safety-Critical Control Synthesis for network systems with Control Barrier Functions and Assume-Guarantee Contracts
本文研究网络系统的安全关键控制综合问题,以保证满足安全约束。为了处理这样的系统的大的状态维度,假设保证合同被用来打破大的综合问题成更小的子问题。参数化信号时序逻辑(pSTL)被用来形式化地描述子系统的行为,我们使用它作为合同的模板。我们表明,鲁棒控制不变集(RCI)的子系统可以组成一个鲁棒控制不变集的整个网络系统下一个有效的假设保证合同。提出了一个epigraph算法来求解一个有效的合同,-一种方法,具有线性复杂性的稀疏网络,这导致了一个鲁棒控制不变集的整个网络系统。采用控制障碍函数(CBF)实现,保证各子系统的状态保持在安全集内。此外,我们提出了一个应急管模型预测控制方法的基础上的RCI,这是能够处理严重的突发事件,包括网络的拓扑结构的变化。一个电网的例子来证明所提出的方法。仿真结果包括设定值控制和事故恢复两部分,且始终满足安全约束。
2020-09-17 cs.SY eess.SY math.OC
Optimal Safety for Constrained Differential Inclusions using Nonsmooth Control Barrier Functions
对于广泛的一类非线性系统,我们制定的问题,保证安全与约束下的最优性。具体来说,我们定义了具有状态和输入约束的微分包含的受控安全性。通过使用非光滑分析工具,我们表明,一个连续的最优控制法可以选择从集值约束捕获系统的约束和条件,保证安全使用控制障碍函数。我们的研究结果保证最优性和安全性,通过一个连续的状态反馈法设计使用非光滑控制障碍函数。一个关于避障与目标的例子说明了我们的结果和相关的好处,使用非光滑控制障碍函数。
2022-11-23 cs.SY eess.SY math.OC
Probabilistic Verification and Reachability Analysis of Neural Networks via Semidefinite Programming
University of Pennsylvania(宾夕法尼亚大学)
量化神经网络的鲁棒性或验证其对输入不确定性或对抗性攻击的安全性已成为学习系统的重要研究领域。大多数结果集中在最坏的情况下,神经网络的输入在一个范数有界的不确定性集内扰动。在本文中,我们考虑一个概率设置,其中的不确定性是随机的,已知的前两个时刻。在这种情况下,我们讨论了两个相关的问题:(i)概率安全验证,其中的目标是找到违反安全规范的概率的上限;和(ii)置信椭圆估计,其中给定神经网络输入的置信椭圆,我们的目标是计算输出的置信椭圆。由于非线性激励函数的存在,这两个问题很难精确求解。为了简化分析,我们的主要思想是抽象的非线性激活函数的仿射和二次约束的组合,他们施加在他们的输入输出对。然后,我们表明,安全的抽象网络,这是足够的原始网络的安全性,可以使用半定规划分析。我们用数值实验说明了我们的方法的性能。
2019-10-09 cs.LG cs.SY eess.SY
Polynomial Chaos-Based Flight Control Optimization with Guaranteed Probabilistic Performance
针对飞行动力学系统,提出了一种基于多项式混沌展开和优化的概率性能控制器设计方法。与保守处理不确定性的鲁棒控制技术不同,所提出的方法旨在有效地传播不确定性并优化控制参数以直接满足概率要求。为了实现这一点,违反概率的灵敏度进行评估的展开系数和四阶矩法的可靠性分析,然后进行优化,最大限度地减少故障概率下的机会约束。最后,用一个时间相关的多项式混沌展开来验证结果。通过这种方法,在保证闭环性能的同时降低了故障概率,从而增加了安全裕度。对一个参数不确定的纵向模型进行了仿真,验证了该方法的有效性。
2020-11-10 cs.SY eess.SY math.OC
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
Guaranteeing Safety of Learned Perception Modules via Measurement-Robust Control Barrier Functions
University of California, Berkeley(加州大学伯克利分校);California Institute of Technology(加州理工学院)
现代非线性控制理论寻求发展反馈控制器,赋予系统安全性和稳定性等特性。由这些控制器确保的保证通常依赖于用于确定控制动作的系统状态的准确估计。在实践中,测量模型的不确定性会导致状态估计的误差,从而降低这些保证。在本文中,我们寻求统一的技术,从控制理论和机器学习综合控制器,实现安全的测量模型的不确定性。我们定义了测量-鲁棒控制障碍函数(MR-CBF)的概念,作为一种工具,用于确定安全的控制输入时,面对测量模型的不确定性。此外,MR-CBF用于通知基于学习的感知系统的采样方法,并量化所得到的学习模型中的可容忍误差。我们证明了MR-CBF在模拟Segway系统上实现安全性和测量模型不确定性的有效性。
2020-10-30 cs.LG cs.SY eess.SY
String stability and guaranteed safety via funnel cruise control for vehicle platoons
Universität Paderborn(帕德博恩大学);University of Groningen(格罗宁根大学)
研究具有异构和非线性动力学的自动驾驶车辆编队的分散控制策略,基于漏斗控制思想提出新算法,能保证车距、交通流并实现串稳定性,通过模拟验证性能。
2026-07-07 math.OC
Joint Time and Energy-Optimal Control of Connected Automated Vehicles at Signal-Free Intersections with Speed-Dependent Safety Guarantees
我们扩展了早期的工作,建立了一个框架,通过联合优化能源和旅行时间,最佳控制连接自动驾驶汽车(CAV)穿越无信号交叉口。我们得到明确的最优控制解决方案,以分散的方式,保证速度相关的后端安全约束和时间相关的横向碰撞约束,除了下/上界的速度和加速度。广泛的模拟例子来说明这个框架。
2019-08-31 math.OC
Large Deviations in Safety-Critical Systems with Probabilistic Initial Conditions
Aalborg University(奥尔堡大学);University College London(伦敦大学学院)
该研究通过大偏差理论解决安全关键系统中概率初始条件下的稀有事件概率计算问题,提出基于瞬子路径的分析方法,并通过空间碰撞问题验证了方法的有效性。
2026-02-03 cond-mat.stat-mech math.OC
Optimal Control for Kinematic Bicycle Model with Continuous-time Safety Guarantees: A Sequential Second-order Cone Programming Approach
运动自行车模型的最优控制问题被认为是在连续时间意义上的轨迹,以满足安全约束。基于该模型的微分平坦性,给出了保证状态空间安全的平坦空间的充要条件。将最优控制问题转化为求解三个二阶锥规划(SOCP)的问题,分别求解安全路径、轨迹持续时间和速度剖面。三个SOCP的解一起提供了原始最优控制问题的次最优解。仿真例子和最先进的最优控制求解器的比较,证明了所提出的方法的有效性。
2022-04-19 math.OC
Dissipativity, Convexity and Tight O'Shea-Zames-Falb Multipliers for Safety Guarantees
我们开发了一种新的凸参数化积分二次约束的终端成本的次微分的凸函数,涉及一般的O 'Shea-Zames-Falb乘子。我们显示我们的研究结果的好处,减少保守性的现有技术,和草图应用程序的优化算法分析或神经网络控制器的稳定性分析。的发展是准备通过提供一个新的多变量映射和耗散理论的凸可积性之间的联系。
2022-07-04 math.OC
Probabilistic guarantees on the objective value for the scenario approach via sensitivity analysis
本文研究了鲁棒凸优化的情景方法的目标值性能。提出了一种新的方法来获得概率界的目标值从场景程序与有限的样本个数。该方法依赖于一个最大-最小的重组和鲁棒最优化问题的复杂性的概念。通过灵敏度分析,我们还提供了额外的连续性和正则性条件,显式的界限优于文献中的现有结果。为了说明我们的结果的改进,我们还提供了一个数值例子。
2022-04-19 math.OC
Density-Driven Area Coverage for Nonholonomic Multi-Robot Systems with Safety Guarantee
Texas Tech University(德克萨斯理工大学)
针对非完整多机器人密度驱动覆盖中安全约束与物理输入不匹配的问题,提出将控制屏障函数安全滤波器与D2OC结合,直接在物理输入上施加安全约束,仿真和实验验证了安全性与覆盖性能。
2026-09-22 cs.MA cs.RO math.OC
Flatness-based Quadcopter Trajectory Planning and Tracking with Continuous-time Safety Guarantees
University of Wisconsin-Madison(威斯康星大学麦迪逊分校)
本文提出了一种凸优化框架,用于四旋翼轨迹规划与跟踪,通过B样条基函数和四旋翼的微分平坦性,构建二次锥规划以生成满足连续时间安全约束的最优轨迹,并通过二次规划保证轨迹跟踪的连续时间有界性。
2021-11-01 math.OC
Decentralized Optimal Control of Connected Automated Vehicles at Signal-Free Intersections Including Comfort-Constrained Turns and Safety Guarantees
我们扩展了早期的工作,包括所有可能的转弯,以优化乘客的舒适度指标,以及能源和旅行时间最小化,以最佳地控制连接自动驾驶汽车(CAV)通过无信号交叉口。我们表明,这是可能的,以分散的方式实现这一目标,每个CAV解决一个最优控制问题,并获得明确的解决方案,保证避免碰撞和安全距离的限制在一个控制区。我们研究了最小化能源和车辆行驶时间之间的相关权衡,以及乘客的舒适度指标,并包括广泛的模拟来说明这个框架。
2019-03-11 math.OC
Myopically Verifiable Probabilistic Certificate for Long-term Safety
在本文中,我们考虑使用障碍函数为基础的方法的安全控制问题的随机系统。由于存在随机不确定性,在无穷小的时间间隔内保证安全概率的近视控制器可能允许不安全概率随时间的累积,导致长期安全概率很小。与此同时,增加展望时间范围可能会导致显着的计算负担和延迟反应,这也会危及安全。为了解决这个问题,我们定义了一个新的概念,向前不变性的概率空间,而不是状态空间上的安全区域。这个新的概念允许长期安全概率被框成一个向前不变的条件,可以有效地评估。我们建立在这个安全条件,提出了一个控制器,近视,但可以保证长期的安全概率或快速恢复概率。所提出的控制器确保安全概率不随时间而降低,并允许设计人员直接指定安全概率。所提出的控制器的性能,然后评估在数值模拟。最后,我们表明,这个框架也可以适应的速度和概率的前向收敛行为,这可以使用有限时间李雅普诺夫分析随机系统的特点。
2021-10-26 math.DS math.OC math.PR