Learning-based Parameterized Barrier Function for Safety-Critical Control of Unknown Systems
本文针对未知扰动下的安全关键控制问题,提出基于高斯过程预测误差界收缩安全集的参数化高阶控制障碍函数方法,在Franka Emika机械臂仿真中验证了其有效性与灵活性。
2024-08-09 cs.SY eess.SY
Control Barrier Functions for Unknown Nonlinear Systems using Gaussian Processes
Technical University of Munich(慕尼黑工业大学);University of Pennsylvania(宾夕法尼亚大学);University of Colorado Boulder(科罗拉多大学博尔德分校);LMU Munich(慕尼黑大学)
本文主要研究在保证安全性约束的前提下,未知非线性系统的控制器综合问题。我们的方法包括两个步骤,一个学习步骤,使用高斯过程和控制器的合成步骤,是基于控制障碍函数。在学习步骤中,我们使用一种数据驱动的方法,利用高斯过程来学习未知的控制仿射非线性动力学以及学习模型精度的统计界限。在第二个控制器综合步骤中,我们开发了一个系统的方法来计算控制障碍函数,明确考虑到学习模型的不确定性。控制障碍函数不仅通过构造产生安全控制器,而且还提供满足安全规范的概率的严格下限。最后,我们通过合成一个喷气发动机的安全控制器的例子来说明所提出的结果的有效性。
2020-10-12 cs.LG cs.SY eess.SY
Approximate Bayesian Smoothing with Unknown Process and Measurement Noise Covariances
Linköping University(林雪平大学);Middle East Technical University(中东科技大学)
本文提出了一种适用于线性状态空间模型的自适应平滑器,通过变分贝叶斯技术进行近似推断,该方法计算高效、易于实现,并能应用于高维线性系统,通过目标跟踪示例展示了算法性能。
2015-08-31 cs.SY eess.SY
Time-Varying Soft-Maximum Control Barrier Functions for Safety in an A Priori Unknown Environment
提出时变软最大值复合控制障碍函数,通过组合定期获取的局部CBF确保先验未知环境下的安全性,并在非完整地面机器人上验证有效性。
2024-03-23 cs.SY eess.SY
Incremental Composition of Learned Control Barrier Functions in Unknown Environments
提出一种通过紧支撑径向基函数参数化局部CBFs并增量组合全局CBF的方法,在未知环境中安全探索并随数据增长扩展安全集,实验验证了其有效性。
2025-04-02 cs.SY eess.SY
Safe Feedback Motion Planning in Unknown Environments: An Instantaneous Local Control Barrier Function Approach
针对未知环境下移动机器人的安全运动规划问题,提出基于在线学习的瞬时局部控制障碍函数与目标驱动控制李雅普诺夫函数的二次规划方法,理论保证避障与收敛,仿真验证了其在未知环境中的有效性。
2024-11-02 cs.SY eess.SY
Learning k-Inductive Control Barrier Certificates for Unknown Nonlinear Dynamics Beyond Polynomials
针对模型未知的非多项式离散时间非线性系统,提出基于持续激励与SOS规划、从单轨迹输入输出数据直接合成k归纳控制屏障证书及安全控制器的方法,经多类物理基准验证有效。
2024-12-10 cs.SY eess.SY
Safety-Constrained Learning and Control using Scarce Data and Reciprocal Barriers
我们开发了一种控制算法,以确保安全,在一组的限制,一个系统与未知的,二阶非线性动态。该算法在数据驱动和鲁棒非线性控制之间建立了新的联系。它基于从当前轨迹和互惠壁垒概念在线获得的数据。更具体地说,它首先使用所获得的数据来计算过近似未知动态项的集值函数。对于算法的第二步,我们设计了一个鲁棒控制方案,使用这些功能,以及互惠障碍,使系统前向不变的安全集。此外,我们提供了一个扩展的算法,解决了控制方向矩阵的零空间所产生的可控性损失的问题。该算法删除了一系列标准的,限制性的假设,考虑在相关文献中,因为它不需要全局有界性,增长条件,或先验近似的未知动态的条款。
2021-05-13 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
Data-Driven Learning of Safety-Critical Control with Stochastic Control Barrier Functions
控制障碍函数广泛用于综合安全关键控制。高斯型噪声的存在可能导致不安全的行为,并导致严重的后果。虽然随机系统的安全关键控制研究已经得到了广泛的研究,但在许多实际应用中,我们并不了解动态的随机分量。在本文中,我们研究了具有未知扩散部分的随机系统的安全临界控制,并提出了一种数据驱动的方法来处理这些情况。更具体地说,我们提出了一个数据驱动的随机控制障碍函数(DDSCBF)框架,并使用监督学习学习未知的随机动态通过DDSCBF计划。在一些合理的假设下,利用泛逼近定理,我们保证了DDSCBF格式能够逼近部分未知动态下随机控制障碍函数的伊藤导数.我们还表明,我们可以实现相同的安全保证使用DDSCBF计划与SCBF在以前的工作中,而不需要随机动力学的知识。我们使用两个非线性随机系统来验证我们的理论在模拟。
2022-05-22 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
Enforcing Hard Constraints with Soft Barriers: Safe Reinforcement Learning in Unknown Stochastic Environments
Northwestern University(西北大学);University of California, Berkeley(加州大学伯克利分校);University of Pennsylvania(宾夕法尼亚大学);Yale University(耶鲁大学);University of Liverpool(利物浦大学)
针对未知随机环境下强化学习智能体的硬安全约束难满足的问题,提出基于生成模型软屏障的安全RL方法,联合学习环境与优化策略,仿真安全率显著优于CMDP基线方法。
2023-06-13 cs.LG cs.SY eess.SY
Approximation-Free Control Barrier Functions for Prescribed-Time Reach-Avoid of Unknown Systems
Indian Institute of Science (IISc)(印度科学研究所(IISc))
本文提出无需在线模型学习或不确定性估计的控制屏障函数方法,通过虚拟系统生成安全参考,实现未知系统在动态障碍物环境中的预定时间到达-避免控制。
2026-05-07 cs.RO cs.SY eess.SY
Control Barriers in Bayesian Learning of System Dynamics
University of Maine(缅因大学);Massachusetts Institute of Technology(麻省理工学院);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文的重点是在线学习系统动力学模型,同时满足安全约束。我们的目标是避免离线系统辨识或手动指定的模型,并允许系统在操作过程中安全自主地估计和调整自己的模型。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。具体来说,我们提出了一个新的矩阵变量高斯过程(MVGP)回归方法与有效的协方差分解学习漂移和输入增益项的非线性控制仿射系统。MVGP分布被用来优化系统的行为,并确保高概率的安全性,通过指定控制李雅普诺夫函数(CLF)和控制障碍函数(CBF)的机会约束。通过求解二阶锥规划(SOCP),我们证明了对于具有任意相对度和概率CLF-CBF约束的系统,可以合成一个安全的控制策略。最后,我们将我们的设计扩展到自触发公式,自适应地确定需要应用新的控制输入以保证安全的时间。
2021-08-28 cs.RO cs.SY eess.SY
Data-driven and Model-based Verification: a Bayesian Identification Approach
Eindhoven University of Technology(埃因霍温理工大学);University of Oxford(牛津大学)
本文提出一种结合可达性分析和贝叶斯推断的数据驱动与模型驱动形式验证方法,用于部分未知动态系统。通过案例研究探讨了部分未知线性时不变系统的有界和无界时间安全性。
2015-09-10 cs.SY eess.SY
Stochastic Event-triggered Variational Bayesian Filtering
提出了一种事件触发变分贝叶斯滤波器,用于未知时变噪声协方差的远程状态估计。在预先设定多个标称过程噪声协方差和一个初始测量噪声协方差后,利用变分贝叶斯方法和定点迭代方法联合估计随机事件触发机制下的后验状态向量和未知噪声协方差。该算法在较宽的未知噪声协方差范围内具有较低的通信负载和良好的估计性能。最后,通过对车辆的跟踪仿真,验证了该算法的性能。
2022-06-14 cs.SY eess.SP eess.SY
k-Inductive Neural Barrier Certificates for Unknown Nonlinear Dynamics
Vanderbilt University(范德堡大学);Newcastle University(新castle大学)
本文提出了一种基于神经网络的k-诱导神经屏障证书(k-NBCs),用于部分未知的非线性系统,通过利用神经网络的可扩展性以及泛化Willems等人基本引理,构建数据驱动的表示以进行SMT验证,同时提高了设计灵活性。
2026-05-19 cs.AI cs.LG cs.LO
Energy Sufficiency in Unknown Environments via Control Barrier Functions
MISTLab(MIST实验室)
提出基于控制障碍函数(CBFs)的能量充足性框架,通过双Sigmoid函数平滑路径规划器输出,确保单积分器和独轮车运动学机器人在任务执行中的能量消耗,并在模拟器和真实机器人上验证了方法有效性。
2023-06-26 cs.RO cs.SY eess.SY
Safe Learning-based Observers for Unknown Nonlinear Systems using Bayesian Optimization
Mitsubishi Electric Research Laboratories(三菱电机研究实验室)
从具有未知动态的动力系统生成的数据使得状态观测器能够学习:对建模误差具有鲁棒性,在计算上易于设计,并且能够以保证的性能操作。本文提出了一种模块化的设计方法,它包括三个设计阶段:(i)初始鲁棒观测器设计,使之能够在不允许状态估计误差发散的情况下学习动态(ii)学习阶段,其中使用贝叶斯优化和高斯过程来估计未建模分量;以及(iii)重新设计阶段,其利用所学习的动态来改进所述状态估计误差的收敛速率。我们提出的基于学习的观测器的潜力是证明在一个基准非线性系统。此外,还提供了保证估计性能的证书。
2021-06-25 cs.LG cs.SY eess.SY
Bayesian Algorithms Learn to Stabilize Unknown Continuous-Time Systems
线性动力系统是一类基于学习控制的不确定动态对象的典型模型。该设置由一个随机微分方程,捕捉的状态演变的植物understudy,而真正的动态矩阵是未知的,需要从状态轨迹的观测数据学习。一个重要的问题是确保系统稳定,并尽快排除由于模型不确定性而导致的不稳定控制行为。目前还没有一种可靠的稳定化程序,可以有效地从不稳定的数据中学习,在有限的时间内稳定系统。在这项工作中,我们提出了一种新的贝叶斯学习算法,稳定未知的连续时间随机线性系统。所提出的算法是灵活的,并暴露出有效的稳定性能后,一个非常短的时间内与系统的相互作用。
2021-12-30 cs.AI cs.LG cs.SY
Data-driven verification and synthesis of stochastic systems via barrier certificates
本文研究了未知离散时间随机系统的安全验证与综合问题,提出一种基于数据驱动的方法,通过有限随机样本将鲁棒凸规划转化为场景凸规划,利用障碍证书在保证置信度下界的前提下求解,并通过案例验证了方法的有效性。
2023-09-09 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
Bayesian Filtering with Unknown Sensor Measurement Losses
Tsinghua University(清华大学);Nanyang Technological University(南洋理工大学)
本文研究了具有未知传感器测量丢失的随机非线性系统状态估计问题,设计了三种次优滤波器以提高估计精度,同时探讨了计算复杂度与估计精度之间的权衡。
2020-05-08 cs.SY eess.SY
Robust Adaptive Backup Control Barrier Functions
Illinois Institute of Technology(伊利诺伊理工学院);California Institute of Technology(加州理工学院);Wichita State University(威奇托州立大学)
针对含参数不确定性的非线性控制仿射系统,提出鲁棒自适应备份控制障碍函数。用按元素认证的自适应估计器估计未知参数,计算备份流并收紧安全条件,还用基于对偶性的重新表述处理驱动矩阵不确定性,证明该方法能保证系统在相关情况下的安全性。
2026-11-10 cs.SY eess.SY
Perturbed Integrators Chain Control via Barrier Function Adaptation and Lyapunov Redesign
针对控制系数未知、扰动上界存在但未知的受扰积分器链镇定问题,结合李雅普诺夫再设计思路提出含比例导引反馈型增益与屏障函数增益的自适应时变增益控制器,实现预设时间内收敛到原点指定邻域并保持,且通过Furuta摆实验验证。
2024-05-15 cs.SY eess.SY
Safety during Transient Response in Direct Current Microgrids using Control Barrier Functions
我们考虑的问题,保证瞬态电压和电流保持在规定的范围内的直流(DC)微电网,当控制器没有获得准确的系统动态,由于负载是未知的和/或时变的。为了实现这一点,我们提出了一种基于优化的控制器设计使用控制障碍函数。我们表明,所提出的控制器具有分散的结构,是鲁棒的系统参数,如负载的精确值的不确定性。
2021-02-04 cs.SY eess.SY
Dynamic Constraint Reconstruction Based Control Barrier Functions for Safety-Critical Control of High-Dimensional Manipulators
Yaowu (Shenzhen) Technology Co., Ltd.(耀武(深圳)科技有限公司);National Engineering Research Center of Mobile Network Technologies, Beijing University of Posts and Telecommunications(北京邮电大学移动通信国家重点实验室)
针对高维机器人受干扰及模型不确定问题,提出基于动态约束重构的控制障碍函数框架,用扩展状态观测器估计干扰并重构安全约束,引入安全裕度,仿真表明该方法能在强干扰下实现零安全违规并提升轨迹跟踪性能。
2026-10-20 cs.SY eess.SY
Barrier Integral Control for Global Asymptotic Tracking of Uncertain Nonlinear Systems under State and Input Constraints
Uppsala University(乌普萨拉大学)
本文提出BRIC算法,通过递归屏障函数和误差积分项实现对具有状态和输入约束的不确定非线性系统的全局渐近跟踪。
2026-01-18 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
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
University of Virginia(弗吉尼亚大学)
本文提出一种结合CLF与CBF的MPCC框架,利用自由空间走廊约束并通过SAC动态调整参数,实现未知杂乱环境下的安全导航。
2025-07-19 cs.RO cs.SY eess.SY
Bayesian Formal Synthesis of Unknown Systems via Robust Simulation Relations
本文提出两阶段贝叶斯形式综合方法,利用贝叶斯回归计算参数可信集,并通过基于子概率测度的鲁棒仿真关系,实现安全关键随机系统的设计正确控制器综合,在三个案例中验证。
2024-02-12 cs.LO cs.SY eess.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
Classified Regression for Bayesian Optimization: Robot Learning with Unknown Penalties
Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所);University of Tübingen(图宾根大学)
使用贝叶斯优化(BO)通过最小化黑盒目标成本来学习机器人控制器可能是耗时且具有挑战性的。这是非常常见的情况下,一些推出导致失败的行为,造成过早的实验延迟。在这种情况下,设计者被迫决定启发式成本惩罚,因为所获得的数据往往是稀缺的,或不可比的稳定政策。为了克服这一点,我们提出了一个贝叶斯模型,准确地捕捉我们所知道的不稳定控制器的成本之前,数据汇集:什么都没有,除了它应该是一个有点大的数字。由此产生的贝叶斯模型,近似与高斯过程,预测高成本值的地区,故障可能会发生。以这种方式,该模型引导BO探索稳定区域。我们证明了所提出的模型的好处,在几个说明性和统计合成基准,并在一个真正的机器人平台上的实验。此外,我们提出并实验验证了一个新的BO方法来考虑未知的约束。这种方法是最大值熵搜索,最近的信息论方法,解决无约束全局优化问题的扩展。
2020-11-09 cs.LG cs.RO cs.SY
Tracking an Underwater Target with Unknown Measurement Noise Statistics Using Variational Bayesian Filters
针对被动传感器测量噪声统计未知的纯方位跟踪问题,提出基于变分贝叶斯和正态逆Wishart分布的自适应滤波方法,在多种非线性场景下优于最大似然和最大后验方法,但计算成本更高。
2023-05-15 cs.SY eess.SP eess.SY
Model-Free Based Computations of Recursive Control Barrier Function: Ultra-Local Model Approach
Nantes Université- École Centrale Nantes-LS2N, UMR 6004 CNRS(南特大学-南特中央理工学院-LS2N,UMR 6004 CNRS);University of California, Merced - Dep. of Mechanical Engineering(加州大学默塞德分校-机械工程系);QUARTZ EA 7393, ENSEA(QUARTZ EA 7393,恩赛纳)
本文提出基于超局部模型的无模型递归控制障碍函数计算框架,利用在线估计未知动力学构建约束,在自适应巡航控制基准上验证了其对高相对阶系统安全约束的执行与预判能力。
2026-08-18 cs.SY eess.SY math.OC
Time-Varying Soft-Maximum Barrier Functions for Safety in Unmapped and Dynamic Environments
Department of Mechanical and Aerospace Engineering, University of Kentucky(机械与航空航天工程系,肯塔基大学)
针对未知动态环境,提出闭式最优反馈控制,用时变软最大函数组合局部CBF,确保安全导航,并在两类机器人上验证。
2025-04-22 cs.RO cs.SY eess.SY