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
Safety-Aware and Data-Driven Predictive Control for Connected Automated Vehicles at a Mixed Traffic Signalized Intersection
典型的城市信号交叉口在由互联的自动驾驶车辆（CAV）和人类驾驶车辆（HDV）组成的混合交通环境中提出了重大的建模和控制挑战。在本文中，我们解决的问题，得出安全的轨迹CAV在混合交通环境中，优先追尾碰撞避免时，前面的HDVs方法的黄色和红色信号相的交叉口。我们提出了一个预测控制框架，采用递归最小二乘算法近似实时的驾驶行为的前HDV，然后使用这种近似来获得安全意识的轨迹在有限的地平线。我们通过数值模拟验证了我们提出的框架的有效性，并分析了控制框架的鲁棒性。
2022-05-21 math.OC
A Converse Robust-Safety Theorem for Differential Inclusions
本文证明微分包含的鲁棒安全性与障碍函数证书存在性等价，并通过构造时间-碰撞函数及光滑化技术给出比现有结果更一般的逆鲁棒安全性定理。
2024-08-02 math.OC
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory（喷气推进实验室）
本文提出分层分布式 CaRT 框架，通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹，在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Safety Beyond the Training Data: Robust Out-of-Distribution MPC via Conformalized System Level Synthesis
Georgia Institute of Technology（佐治亚理工学院）；ETH Zurich（苏黎世联邦理工学院）
本文提出一种基于符合预测和系统级合成的方法，用于在分布外情况下实现稳健的非线性模型预测控制，提升系统安全性和鲁棒性。
2026-02-12 cs.LG cs.RO cs.SY
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
Sufficient Conditions for Robust Safety in Differential Inclusions Using Barrier Functions
该研究针对微分包含提出一致与非一致两种鲁棒安全性概念，构建基于障碍函数的认证框架，给出标称系统的充分无穷小条件，支持无界安全区域与非光滑障碍函数，拓展了相关理论适用范围。
2023-05-05 math.OC
Controller Synthesis for Safety of Physically-Viable Data-Driven Models
我们考虑的问题设计有限时域安全控制器的动力系统，其中没有明确的分析模型存在和有限的数据，只有沿一个单一的轨迹的系统。给定样本的状态和输入的系统，和额外的边信息的规律性的发展的状态和守恒律，我们合成一个控制器，这样的发展的状态避免一些预先指定的不安全设置在一个给定的有限的地平线。最近的惠特尼的扩展定理的结果的启发，我们使用分段多项式近似的轨迹的基础上的数据与规律性的边信息，制定一个数据驱动的微分包含模型，可以预测的轨迹的演变。对于这几类数据驱动的微分包含，我们提出了一个基于屏障证书的安全性分析定理。作为这个定理的推论，我们证明了我们可以设计控制器来保证有限时域上数据驱动的微分包含问题解的安全性。从计算的角度来看，我们的结果被铸造成一组的平方和方案时，证书的参数化多项式的固定程度和集是半代数的。这种计算方法允许将边信息的守恒定律和积分约束使用Positivstellensatz型参数。
2018-01-12 math.OC
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
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
Safe data-driven reference tracking with prescribed performance
针对仅离散采样、未知相对阶的连续时间系统，提出结合采样零阶保持控制器与基于Willems基本引理的数据驱动MPC的双分量控制器，实现规定误差边界内的安全参考跟踪并改善控制信号。
2023-12-14 math.OC
Adversarial Physics-Informed Machine Learning for Robust Optimal Safe Predefined-Time Stabilization: A Game-Theoretic Approach
University of Pennsylvania（宾夕法尼亚大学）；Brown University（布朗大学）
针对参数依赖型非线性动力系统，提出基于博弈论的对抗鲁棒最优安全预定义时间镇定框架，通过两人零和微分博弈与障碍李雅普诺夫函数推导鞍点解条件，结合物理信息学习算法解决HJI方程问题，仿真验证了方法的有效性与弹性。
2025-11-19 math.OC
A Safety-Prioritized Receding Horizon Control Framework for Platoon Formation in a Mixed Traffic Environment
在混合交通环境中，由于存在具有未知动力学和控制动作的人类驾驶车辆（HDV），因此具有连接和自动车辆（CAV）的排编队构成了重大挑战。在本文中，我们开发了一个安全优先的滚动时域控制框架，用于创建排的HDV之前的CAV。我们的框架，确保间接控制以下HDV直接控制领先的CAV给定的安全约束。该框架利用基于递归最小二乘算法和恒定时间车头时距相对速度车辆跟驰模型的数据驱动预测模型来预测人类驾驶车辆的未来轨迹。为了证明所提出的框架的有效性，我们进行数值模拟，并提供相关的可扩展性，鲁棒性和性能分析。
2023-02-22 math.OC
Gap Safe Screening Rules for Fast Training of Robust Support Vector Machines under Feature Noise
Can Tho University（芹苴大学）
本文提出在特征噪声下快速训练鲁棒支持向量机的间隙安全筛选规则，通过非标准结构的鲁棒模型分析，减少训练复杂度并加速优化，实验显示显著降低训练时间且保持分类精度。
2026-03-26 cs.LG math.OC
Safety on the Fly: Constructing Robust Safety Filters via Policy Control Barrier Functions at Runtime
Department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航工程系，麻省理工学院）；D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（Guggenheim航空航天工程学院，佐治亚理工学院）；MIT Lincoln Laboratory（MIT林肯实验室）
本文提出鲁棒策略CBF方法，通过在线估计价值函数构建稳健的安全过滤器，用于高相对阶输入约束系统的安全控制。
2026-01-20 cs.RO math.OC
