Simultaneous Lane-Keeping and Obstacle Avoidance by Combining Model Predictive Control and Control Barrier Functions
本文将模型预测控制（MPC）与控制障碍函数（CBF）设计方法相结合，提出了一种同时实现车道保持和避障的递阶控制律：在低层，MPC通过轨迹跟踪实现车道保持和避障;在高层次上，设计了不同的基于CBF的安全滤波器，确保LK和OA在一些实际场景中进行比较。特别是，我们表明，指数安全（ESf）和规定时间安全（PTSf）过滤器，在必要时覆盖MPC控制，导致可行的二次规划时，安全的优先级适当。我们还研究控制设计输入约束，通过使用输入约束CBF。最后，我们比较了ESf，PTSf，和他们的输入受限的同行的组合的性能相对于LK和OA的目标在两个模拟研究早期和晚期检测到的障碍物的情况。
2022-04-13 cs.SY eess.SY
Safe Beyond the Horizon: Efficient Sampling-based MPC with Neural Control Barrier Functions
D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（佐治亚理工学院D.Guggenheim航空航天工程学院）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（麻省理工学院航空与航天工程系）
针对MPC预测视界外安全问题，提出学习近似离散时间控制屏障函数并集成到采样型VIMPC中，配合新采样策略降低方差，实现实时规划，显著提升安全性。
2025-07-08 cs.AI cs.RO cs.SY
A Control Barrier Function-Constrained Model Predictive Control Framework for Safe Reinforcement Learning
New York University（纽约大学）
本文提出了一种基于模型预测控制的安全强化学习框架PECTS，通过联合学习随机系统动力学和控制屏障函数来确保安全，采用采样优化方法提升安全性。
2026-04-07 cs.SY eess.SY
Shield Model Predictive Path Integral: A Computationally Efficient Robust MPC Approach Using Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；Massachusetts Institute of Technology（麻省理工学院）
模型预测路径积分（MPPI）控制是一种基于采样的模型预测控制，其模拟数千个轨迹并使用这些轨迹来在运行中合成最优控制。然而，在实践中，MPPI遇到的问题限制了其应用。例如，已经观察到，如果存在未建模的动态或环境干扰，则MPPI倾向于做出糟糕的决策，从而阻止其在安全关键应用中的使用。此外，MPPI使用的多线程模拟需要大量的板载计算资源，使得该算法无法在没有现代GPU的情况下使用。为了缓解这些问题，我们提出了一种新的（屏蔽MPPI）算法，提供了对不可预测的干扰的鲁棒性，并实现了实时规划，使用数量少得多的并行模拟常规CPU。新的盾牌MPPI算法进行了测试，在一个积极的自主赛车平台在仿真和使用实验。结果表明，所提出的控制器大大减少了违反约束的数量相比，国家的最先进的强大的MPPI变量和随机MPC方法。
2023-02-23 cs.RO cs.SY eess.SY
A Linear MPC with Control Barrier Functions for Differential Drive Robots
Carleton University（卡尔顿大学）
针对两轮差速驱动机器人动态安全导航问题，本文结合 LMPC 与 DFL，并引入控制屏障函数安全约束，实现实时避障且保证闭环稳定与递归可行。
2024-04-14 cs.RO cs.SY eess.SY
A Predictive and Sampled-Data Barrier Method for Safe and Efficient Quadrotor Control
本文提出一种级联控制框架，结合MPC与HOCBF扩展的采样数据障碍函数，实现四旋翼安全高效轨迹跟踪，兼顾安全性与实时性。
2025-10-06 cs.SY eess.SY
Probabilistically safe controllers based on control barrier functions and scenario model predictive control
针对基于控制障碍函数的控制器短视、性能差及模型预测控制计算需求高的问题，提出仅在预测时域首步用场景法转化的确定性CBF约束实现概率安全的控制方法，给出无分布先验安全保证并通过无人机案例验证有效性。
2024-09-12 cs.SY eess.SY
Safe model-based Reinforcement Learning via Model Predictive Control and Control Barrier Functions
本文提出一种安全的模型基于强化学习框架，结合模型预测控制与控制屏障函数，通过参数化方法改进安全控制策略。
2025-12-04 cs.SY eess.SY
Iterative Convex Optimization for Model Predictive Control with Discrete-Time High-Order Control Barrier Functions
University of California, Berkeley（加州大学伯克利分校）；Boston University（波士顿大学）
针对含安全约束的MPC实时求解难题，提出迭代凸优化框架，通过逐时步线性化动力学与DHOCBF约束，支持任意相对度并兼顾安全保证与计算效率。
2023-07-13 cs.RO cs.SY eess.SY
Where to Put Safety? Control Barrier Function Placement in Networked Control Systems
TU Munich（慕尼黑工业大学）
研究网络化控制系统中控制障碍函数（CBF）的放置位置，比较本地短视CBF滤波器和远程MPC中预测性CBF约束的安全策略，提出结合两者的架构。
2026-06-29 cs.SY eess.SY
Differentiable Predictive Control with Safety Guarantees: A Control Barrier Function Approach
Pacific Northwest National Laboratory（太平洋西北国家实验室）；Battelle Memorial Institute（巴特尔纪念研究所）
提出了一种基于控制障碍函数的具有安全性和鲁棒性保证的微分预测控制方法。DPC是一种基于无监督学习的方法，用于获得显式模型预测控制（MPC）问题的近似解。在DPC中，由神经网络参数化的预测控制策略通过MPC问题的自动微分获得的直接策略梯度离线优化。所提出的方法利用一种新形式的采样数据障碍函数，以执行离线和在线的DPC设置的安全要求，同时只中断基于神经网络的控制器附近的边界的安全集。仿真结果表明了该方法的有效性。
2022-08-03 cs.LG cs.SY eess.SY
Model predictive control lowers barriers to adoption of heat-pump water heaters: A field study
本研究开发并现场验证了首个无需电阻加热元件的120V热泵热水器模型预测控制系统，通过集成机器学习预测提前预热，在保证舒适度的同时，相比240V标准控制平均节能23%-28%，相比恒温60°C方案节能37%，并具有经济可行性。
2025-10-14 cs.SY eess.SY
Experimental implementation of an economic model predictive control for froth flotation
本文针对泡沫浮选过程实现新型E-MPC策略，采用含泡沫物理的动态模型、正交配置离散化与CasADi自动微分，在30升实验槽中显著提升扰动下的回收率并保证精矿品位。
2024-10-25 cs.SY eess.SY
Multi-Rate Control Design Leveraging Control Barrier Functions and Model Predictive Control Policies
在本文中，我们提出了一个多速率控制架构的安全关键系统。我们考虑一个高层次的规划器和一个低层次的控制器，它们工作在不同的频率。这种多速率行为是由一个分段的非线性模型，它在一个连续和离散的水平上发展。首先，我们提出了充分条件，保证递归约束满足的闭环系统。之后，我们提出了一种控制设计方法，利用控制障碍函数（CBF）的低级别控制和模型预测控制（MPC）的政策，高层次的规划。控制障碍函数采用完全非线性动态模型设计，MPC基于简化的规划模型。当非线性系统为控制仿射系统且高层规划模型为线性系统时，通过求解各层的凸优化问题来计算控制动作。最后，我们展示了所提出的策略的有效性，在一个仿真例子中，低级别的控制动作更新的频率比高级别的命令。
2020-07-06 cs.SY eess.SY
Relaxed Logarithmic Barrier Function Based Model Predictive Control of Linear Systems
本文研究了放松对数屏障函数在线性模型预测控制中的应用，提出了一种无需显式终端集或状态约束的稳定MPC方案，通过全局定义的强凸函数的最小化来表征稳定控制序列，并通过数值例子验证结果。
2015-03-11 cs.SY eess.SY math.OC
D-SafeMPC: Diffusion-Driven Safe Model Predictive Control with Discrete-Time Control Barrier Functions
Paderborn University（帕德博恩大学）；Illinois Institute of Technology（伊利诺伊理工学院）；California Institute of Technology（加州理工学院）；Technical University of Munich（慕尼黑工业大学）
研究针对扩散模型用于机器人规划时无法保证安全和动态约束的问题，提出D-SafeMPC方法，通过控制障碍函数等引导扩散过程，结合迭代投影方案，经实验验证该方法能提升安全性、任务成功率和规划效率。
2026-07-14 cs.RO cs.SY eess.SY
Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function
University of California, Berkeley（加利福尼亚大学伯克利分校）
机器人系统的最优性能通常是在状态和输入界的极限附近实现的。模型预测控制（MPC）是处理这些操作约束的流行策略，然而，安全性仍然是MPC的公开挑战，因为它需要保证系统保持在不变集内。为了获得安全的最佳性能的背景下的集合不变，我们提出了一种安全关键的模型预测控制策略，利用离散时间控制障碍函数（CBF），保证系统的安全性，并通过模型预测控制实现最佳性能。我们分析了我们的控制设计的稳定性和可行性。我们验证了我们的方法的属性上的二维双积分器避障模型。我们还验证了算法数值上使用的竞争激烈的赛车的例子，自我车能够超越其他赛车。
2021-03-23 cs.RO cs.SY eess.SY
Trust-aware Safe Control for Autonomous Navigation: Estimation of System-to-human Trust for Trust-adaptive Control Barrier Functions
该研究提出一种信任感知自主导航安全控制系统，结合MPC、CBFs与行人信任估计调整约束，经CARLA仿真验证可根据行人注意力调整驾驶策略，提升自动驾驶的安全性与可靠性。
2023-07-24 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
Maximal Controlled Invariant-MPC: Enhancing Feasibility and Reducing Conservatism through Terminal CBF Constraint in Safety-Critical Control
Graduate Student, Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古吉恩航空航天工程学院研究生）；Assistant Professor, Director, Aerospace Robotics Lab, Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古吉恩航空航天工程学院助理教授、主任、航空航天机器人实验室）
本文提出一种利用CBF作为终端约束的MPC方法，通过增加预测时间 horizon 提高可行性与可达集，减少保守性，并通过非holonomic系统仿真验证了其有效性。
2026-05-07 cs.RO cs.SY eess.SY
A Universal Optimal Control Strategy for a Tailsitter UAV
U.S. Army Research Laboratory（美国陆军研究实验室）；Department of Aerospace Engineering, IIT Kanpur（坎普尔印度理工学院航空航天工程系）；ADASI, EDGE Group, Abu Dhabi, UAE（阿联酋阿布扎比EDGE集团ADASI）
本文提出了一种适用于尾翼式四旋翼双翼无人机的统一最优控制框架，通过非线性规划直接配列方法生成安全可靠的最优轨迹，并利用神经网络实现实时过渡轨迹生成，采用MPC实现单控制器跨飞行模式控制。
2026-05-02 cs.SY eess.SY
Autonomous Racing with Multiple Vehicles using a Parallelized Optimization with Safety Guarantee using Control Barrier Functions
University of California, Berkeley（加州大学伯克利分校）；University of Minnesota-Twin Cities（明尼苏达大学双城分校）
本文提出了一种新的规划和控制策略，与多辆车在赛车的情况下竞争。所提出的比赛策略在两种模式之间切换。当没有周围车辆时，基于学习的模型预测控制（MPC）轨迹规划器用于保证本车实现更好的单圈计时性能。当自我车辆与周围车辆竞争超车时，基于优化的规划器通过并行计算生成多个动态可行的轨迹。每个轨迹优化下的MPC制定不同的同伦Bezier曲线参考路径横向周围的车辆之间。在这些不同的同伦轨迹中选择时间最优的轨迹，并使用具有控制障碍函数约束的底层MPC控制器来避免障碍物，以保证系统的安全关键性能。所提出的算法具有生成无碰撞轨迹并跟踪它们的能力，同时以稳定的低计算复杂性增强单圈计时性能，在自主赛车环境中的计时和性能方面优于现有方法。为了证明我们的赛车策略的性能，我们模拟多个随机生成的移动车辆在赛道上，并测试自我车辆的超车动作。
2022-03-27 cs.MA cs.RO cs.SY
Safe-by-Construction Autonomous Vehicle Overtaking using Control Barrier Functions and Model Predictive Control
针对自动驾驶超车场景中需兼顾前车与对向来车安全的难题，提出融合分级CBF与时间最优MPC的构造式安全超车框架，经仿真验证比标准MPC具备更优的无碰撞安全性能。
2023-10-10 cs.SY eess.SY
Reinforcement Learning-based Receding Horizon Control using Adaptive Control Barrier Functions for Safety-Critical Systems
Boston University（波士顿大学）
针对CBF约束参数与代价参数整定影响性能和可行性的问题，提出RL与MPC-CBF结合的双层优化滚动时域控制，并在CAV自动汇入场景中验证其性能提升与不可行案例减少。
2025-02-19 cs.AI cs.SY eess.SY
Corridor MPC for Multi-Agent Inspection of Orbiting Structures
本文扩展走廊模型预测控制至高阶分布式系统，利用高阶控制屏障函数约束确保智能体在轨检查时保持安全走廊，并通过数值测试和ISS场景仿真验证了方案的可行性与安全性。
2024-02-27 cs.SY eess.SY
Time Shift Governor-Guided MPC with Collision Cone CBFs for Safe Adaptive Cruise Control in Dynamic Environments
本文提出一种时移调节器引导的 MPC-CBF 方法，通过 TSG 动态调整目标参考并结合碰撞锥 CBF 约束，解决动态复杂环境下的自适应巡航安全控制问题。
2025-06-30 cs.SY eess.SY
BarrierFormer: Transformer-Guided Predictive Barrier Enforcement for Safe Robot Control
Arizona State University（亚利桑那州立大学）
针对CBF短视和MPC计算昂贵的问题，提出BarrierFormer，一种障碍监督的Transformer框架，通过预测性滚动编码CBF约束学习无模型安全策略，实现实时安全导航，并在安全率和延迟上超越现有方法。
2026-11-03 cs.RO cs.SY eess.SY
Improved Sample Complexity of Imitation Learning for Barrier Model Predictive Control
Massachusetts Institute of Technology（麻省理工学院）；Microsoft Research（微软研究院）；University of Oxford（牛津大学）
本文提出用对数障碍松弛MPC构造平滑专家控制器，证明障碍MPC达到理论最优误差-平滑权衡，并给出凸Lipschitz函数解析中心最优性间隙的改进下界，实验验证其优于随机平滑。
2024-10-01 cs.LG cs.SY eess.SY
Model Predictive Control for Safety-Critical Systems Using Taylor's Theorem with Lagrange Remainder
Boston University（波士顿大学）；Johns Hopkins University（约翰斯·霍普金斯大学）；Nanyang Technological University（南洋理工大学）；MIT CSAIL（麻省理工学院计算机科学与人工智能实验室）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出基于泰勒展开与拉格朗日余项的MPC（MPC-TLR），通过数值近似余项并引入可调裕度，在避障任务中实现比高阶CBF方法更安全、更少参数且更不保守的控制。
2026-10-07 cs.SY eess.SY
Bridging Model Predictive Control and Deep Learning for Scalable Reachability Analysis
Department of Aeronautics and Astronautics at Stanford University（斯坦福大学航空与航天系）；Department of Electrical Engineering at Tsinghua University（清华大学电子工程系）
本文提出利用模型预测控制生成关键配点处的近似可达性解来引导神经网络训练，并迭代细化以缓解局部最优，从而提升高维系统可达性分析的鲁棒性与准确性。
2025-05-04 cs.RO cs.SY eess.SY
ES-HPC-MPC: Exponentially Stable Hybrid Perception Constrained MPC for Quadrotor with Suspended Payloads
Worcester Polytechnic Institute（沃斯特理工大学）；University of California Berkeley（加州大学伯克利分校）
针对带悬挂载荷四旋翼空中运输的混合欠驱动控制与感知难题，提出融合ES-CLFs与CBFs的ES-HPC-MPC框架，经仿真与实实验证，可在缆索松弛-张紧切换等场景下保障稳定跟踪与感知约束满足。
2025-10-29 cs.RO cs.SY eess.SY
Safe Nonlinear Control Using Robust Neural Lyapunov-Barrier Functions
Massachusetts Institute of Technology（麻省理工学院）；University of California, San Diego（加利福尼亚大学圣地亚哥分校）
安全性和稳定性是机器人控制系统的共同要求，然而，设计安全，稳定的控制器仍然是困难的非线性和不确定的模型。我们开发了一种基于模型的学习方法来合成具有安全性和稳定性保证的鲁棒反馈控制器。我们从鲁棒凸优化和李雅普诺夫理论的灵感，定义鲁棒控制李雅普诺夫障碍函数，尽管模型的不确定性推广。我们证明了我们的方法在模拟的问题，包括汽车轨迹跟踪，非线性控制与避障，卫星交会与安全约束，飞行控制与学习地面效应模型。仿真结果表明，我们的方法产生的控制器，匹配或超过鲁棒MPC的能力，同时减少了一个数量级的计算成本。
2021-10-06 cs.RO cs.SY eess.SY
Distributed Safety-Critical MPC for Multi-Agent Formation Control and Obstacle Avoidance
Beihang University（北京航空航天大学）；UCLouvain（瓦隆天主教大学）
本文提出了一种分布式安全关键MPC算法，通过高阶控制屏障函数和控制Lyapunov函数实现多智能体编队控制与障碍规避，提升了系统的安全性和效率。
2025-08-30 cs.SY eess.SY
Reference-Free Iterative Learning Model Predictive Control with Neural Certificates
本文提出一种无参考迭代学习MPC方法，利用基于CLBF的神经证书函数逐步细化终端组件，将优化问题转化为标准非线性规划，在保证递归可行性与渐近稳定性的同时提升在线计算效率和控制性能。
2025-07-18 cs.SY eess.SY
Construction of Control Barrier Functions Using Predictions with Finite Horizon
本文提出在温和可控性假设下，仅利用控制不变集的已知子集和有限时域预测构造时不变控制障碍函数，并分析其性质及与模型预测控制的关系。
2023-09-19 cs.SY eess.SY
Optimal Sequencing and Motion Control in a Roundabout with Safety Guarantees
本文提出一种用于单车道环岛的网联自动驾驶车辆控制器，通过集成模型预测控制（MPC）与控制 Lyapunov-Barrier 函数（CLBFs），在最小化时间与能耗的同时提供速度相关的安全保障，并解决多控制区短视与不可行性问题。
2024-03-19 cs.SY eess.SY
MPC-CBF with Adaptive Safety Margins for Safety-critical Teleoperation over Imperfect Network Connections
针对网络延迟下的安全关键遥操作，提出结合MPC与自适应安全裕度的CBF方法，在降低保守性的同时确保避障，并经仿真和真实机械臂验证。
2024-03-27 cs.SY eess.SY
Courteous MPC for Autonomous Driving with CBF-inspired Risk Assessment
Department of Computer Science, University of North Carolina at Charlotte（计算机科学系，北卡罗来纳大学夏洛特分校）；Department of Electrical and Computer Engineering, Carnegie Mellon University（电气与计算机工程系，卡内基梅隆大学）；Walker Department of Mechanical Engineering, University of Texas at Austin（沃克机械工程系，德克萨斯大学奥斯汀分校）
本文提出一种基于CBF启发的风险评估框架，并将其融入MPC方案，使自动驾驶车辆在遵守安全约束和效率目标的同时，降低对周围车辆的整体风险，实现安全且礼貌的驾驶行为。
2025-04-29 cs.RO cs.SY eess.SY
Safety Critical Model Predictive Control Using Discrete-Time Control Density Functions
Clemson University（克莱姆森大学）
本文提出MPC-CDF方法，将控制密度函数融入模型预测控制框架，在离散时间下确保非线性系统的收敛与安全，并在水下航行器自主导航中验证了其避障与安全性能。
2025-09-16 cs.RO cs.SY eess.SY
Safe Reference Tracking and Collision Avoidance for Taxiing Aircraft Using an MPC-CBF Framework
University of California, Irvine（加利福尼亚大学欧文分校）；Howard University（霍华德大学）；Augustana College（奥古斯塔纳学院）；Purdue University（普渡大学）
本文提出基于MPC-CBF的飞机自动滑行框架，结合图路径规划与HOCBF安全约束，实现安全参考跟踪与避障，仿真验证其性能优于PID-CBF方法。
2024-10-04 cs.RO cs.SY eess.SY
Turning Circle-based Control Barrier Function for Efficient Collision Avoidance of Nonholonomic Vehicles
Korea Advanced Institute of Science and Technology（韩国科学技术院）
本文提出一种基于转弯圆的控制障碍函数，结合模型预测控制，以考虑非完整约束，提高非完整车辆碰撞避免的效率，并通过仿真和实验验证。
2025-03-26 cs.RO cs.SY eess.SY
Learning a Better Control Barrier Function
New York University（纽约大学）
控制障碍函数（CBF）广泛应用于安全关键控制器中。然而，构造一个有效的CBF是具有挑战性的，特别是在非线性或非凸约束和高相对度系统。同时，找到一个保守的CBF，只恢复一部分真正的安全集通常是可能的。在这项工作中，从一个“保守的”手工制作的CBF（HCBF），我们开发了一种方法来找到一个CBF，恢复一个合理的较大部分的安全设置。由于学习的CBF控制器在训练迭代期间不能保证安全，因此我们使用模型预测控制器（MPC）来确保训练期间的安全性。使用所收集的包含安全和不安全交互的轨迹数据，我们训练神经网络来估计HCBF和CBF之间的差异，该CBF恢复更接近真实安全集的解。通过我们提出的方法，我们可以生成安全的控制器，这些控制器不那么保守，计算效率更高。我们验证我们的方法在两个系统上：二阶积分器和光束球。
2022-10-11 cs.RO cs.SY eess.SY
Feasibility-Guided Safety-Aware Model Predictive Control for Jump Markov Linear Systems
针对跳跃马尔可夫线性系统的模式不确定性与安全控制问题，提出可行性引导的安全感知MPC框架，结合控制屏障函数实现有限时域安全，实验验证其提升了系统安全性与性能。
2024-09-15 cs.SY eess.SY
Tunable Real-Time Safety Filters via Set-Based Control Barrier Functions
Corporate Research Robert Bosch GmbH（罗伯特博世集团企业研究部）
提出一种将凸控制不变集通过闵可夫斯基泛函转化为可调障碍函数的安全滤波器，以单层二次规划实现干预强度可调，保证约束满足和渐近恢复。
2026-06-08 cs.SY eess.SY
Probabilistically safe and efficient model-based reinforcement learning
该研究提出一种基于采样的模型驱动强化学习方法，融合概率控制屏障函数与可学习终端代价的模型预测控制，在保障安全和性能的同时降低了安全关键随机强化学习任务的计算开销。
2025-07-29 cs.SY eess.SY
Generalized Reinforcement Learning for Building Control using Behavioral Cloning
诸如模型预测控制（MPC）的先进建筑物控制方法为消费者和电网运营商提供了显著的潜在益处，但是高计算要求已经成为更广泛采用的障碍。本地控制计算需要安装昂贵的计算硬件，而云计算引入了数据安全和隐私问题。在本文中，我们通过一种基于强化学习（RL）的方法（称为行为克隆）大大降低了高级建筑控制的本地计算要求，该方法将MPC策略表示为一个神经网络，可以在本地实现并在低成本可编程逻辑控制器上快速计算。虽然以前的RL和近似MPC方法必须针对每个建筑物进行专门的训练，但我们的关键改进是我们的控制器可以推广到许多建筑物，电费和恒温器设定点时间表，而无需额外的，密集型的再训练。为了提供这种多功能性，我们通过以下方式调整了传统的行为克隆方法：（1）约束通知参数分组（CIPG）方法，该方法提供了更有效的训练数据表示;（2）MPC引导的训练数据生成方法，该方法使用Dagger算法，提高了稳定性和约束满足度;以及（3）一种新的深度学习模型结构，称为逆时递归神经网络（RT-RNN），允许未来信息及时向后流动，以更有效地解释干扰预测中的时间信息。其结果是一个易于部署的，广义的MPC行为克隆，可以在可编程逻辑控制器上实现，并需要很少的建筑特定的控制器调整，减少了与实现智能住宅热泵控制相关的工作和成本。
2021-03-31 cs.SY eess.SY
DBaS-Log-MPPI: Efficient and Safe Trajectory Optimization via Barrier States
School of Advanced Technology, Xi’an Jiaotong Liverpool University（西安交通利物浦大学先进技术学院）；University of New Mexico（新墨西哥大学）
本文提出DBaS-Log-MPPI算法，将离散障碍状态集成到MPPI框架中，在保证安全的同时提升复杂受限环境下的探索可行性与轨迹优化性能，并通过仿真与实车实验验证其优于Vanilla MPPI和Log-MPPI。
2025-03-26 cs.RO cs.SY eess.SY
Robust Multi-Agent Safety via Tube-Based Tightened Exponential Barrier Functions
University of Alabama（阿拉巴马大学）
本文提出一种构造性框架，用于合成非线性多智能体系统在有界扰动下的可证明安全控制器。核心贡献是通过约束紧缩方法将鲁棒误差反馈与名义轨迹规划相结合，利用RPI管的几何特性推导状态依赖的安全余量，从而保证轨迹安全性。
2026-04-01 cs.SY eess.SY
Flexible Active Safety Motion Control for Robotic Obstacle Avoidance: A CBF-Guided MPC Approach
Southeast University（东南大学）；Loughborough University（拉夫堡大学）；Shanghai University of Electric Power（上海电力大学）
针对机械臂动态避障与轨迹跟踪需求，提出融合动态衰减率柔性CBF引导安全准则的MPC控制方法，通过将衰减率作为优化变量、设计带惩罚项的代价函数动态调整安全裕度，经UR5机械臂多场景实验验证有效。
2024-05-20 cs.RO cs.SY eess.SY
Geometry-Aware Predictive Safety Filters on Humanoids: From Poisson Safety Functions to CBF Constrained MPC
Department of Mechanical and Civil Engineering, California Institute of Technology（机械与土木工程系，加州理工学院）
针对腿式机器人非对称几何的安全轨迹规划问题，提出基于泊松安全函数和CBF约束MPC的几何感知预测安全滤波器，实现实时在线安全导航。
2025-08-15 cs.RO cs.SY eess.SY
Safe Data-Driven Predictive Control
本文提出安全数据驱动预测控制框架，通过STF并发学习、RCBF和NMPC策略逼近消除精确模型依赖并降低计算负担，仿真表明其性能与现有基准相当且计算成本显著降低。
2025-04-11 cs.SY eess.SY
Barrier Method for Inequality Constrained Factor Graph Optimization with Application to Model Predictive Control
Interdisciplinary Center for Security, Reliability and Trust (SnT), University of Luxembourg（信息安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Department of Electrical and Computer Engineering (EIT), RPTU University Kaiserslautern-Landau（电气与计算机工程系（EIT），莱茵-瓦尔登堡大学凯撒斯劳滕-兰道分校）；SnT University of Luxembourg（信息安全、可靠性与信任跨学科研究中心（SnT），卢森堡大学）；Faculty of Science, Technology, and Medicine (FSTM), Department of Engineering（科学、技术与医学学院（FSTM），工程系）；EIT, RPTU University Kaiserslautern-Landau（EIT，莱茵-瓦尔登堡大学凯撒斯劳滕-兰道分校）
针对因子图在最优控制中约束处理难的问题，提出融合障碍内点法与因子图的g2o开源扩展，通过专用不等式因子节点突破二次型局限，可统一处理等式与不等式约束，在自动驾驶自适应巡航控制任务中收敛更快、计算效率更高。
2025-06-17 cs.RO cs.SY eess.SY
ASMA: An Adaptive Safety Margin Algorithm for Vision-Language Drone Navigation via Scene-Aware Control Barrier Functions
School of Electrical and Computer Engineering, Purdue University（电气与计算机工程学院，普渡大学）
本文提出ASMA算法，通过场景感知控制屏障函数与MPC结合，为视觉-语言导航无人机提供实时安全约束，在Gazebo环境中将成功率提升64%-67%而轨迹长度仅微增。
2025-07-19 cs.AI cs.RO cs.SY
Safety-Aware Dimension Selection for Reduced-Order Model Predictive Control
NC State University（北卡罗来纳州立大学）；UNC/NC State Joint Department of Biomedical Engineering, NC State University（UNC/北卡罗来纳州立大学生物医学工程联合系）
本文提出安全感知维度选择框架，结合动态主动子空间与有限时域误差界，为降阶MPC选择满足安全约束的最小预测阶次，保障安全并降低计算负担。
2026-10-14 cs.SY eess.SY
