Learning Barrier Functions with Memory for Robust Safe Navigation
Contextual Robotics Institute（情境机器人研究所）；University of California San Diego（加州大学圣地亚哥分校）
在机器人运动规划和控制中，控制障碍函数被广泛用于增强安全性能。然而，在线构造障碍函数和合成安全控制器，可以处理相关的不确定性的问题很少受到关注。本文研究了在未知环境中的安全航行，利用机载距离传感器在线构造控制障碍函数。为了表示环境中的不同对象，我们使用距离测量值来训练符号距离函数的神经网络近似，并使用重放存储器递增。这使我们能够制定一个新的鲁棒控制障碍安全约束，考虑到估计的距离场和梯度的错误。我们的配方导致二阶锥程序，使安全和稳定的控制合成在先验未知的环境。
2021-02-11 cs.RO
Episodic Learning for Safe Bipedal Locomotion with Control Barrier Functions and Projection-to-State Safety
Caltech（加州理工学院）
本文结合情景学习和控制障碍功能的设置双足运动。控制屏障功能提供的安全保证仅在完美的模型知识下有效;然而，在硬件平台上无法满足此假设。为了解决这个问题，我们利用投影到状态安全的概念与机器学习框架相结合，试图学习模型的不确定性，因为它会影响障碍函数。所提出的方法被证明在模拟和硬件上的琥珀-3 M双足机器人的背景下的踏脚石问题，这需要精确的脚的位置，同时动态行走。
2021-05-04 cs.RO
Adaptive Safe Merging Control for Heterogeneous Autonomous Vehicles using Parametric Control Barrier Functions
Carnegie Mellon University（卡内基梅隆大学）
随着对机器人安全自主性的日益重视，基于模型的安全控制方法如控制障碍函数已被广泛研究，以确保在机器人之间的相互作用的安全性。在本文中，我们引入了参数控制障碍函数（参数CBF），传统的控制障碍函数的一种新的变体，以扩展其表达能力，在描述不同的安全行为之间的异构机器人。而不是假设合作和同质的机器人使用相同的安全控制器，自我机器人能够通过不同的参数CBF与观察到的数据模型的相邻机器人的底层安全控制器。给定学习的参数CBF和证明的前向不变性，它为自我机器人提供了更大的灵活性，以更好地与其他异构机器人协调，提高效率，同时享受形式上可证明的安全保证。我们展示了使用参数CBF的行为预测和自适应安全控制的坡道合并的情况下，从自动驾驶的应用。与传统的CBF相比，参数CBF的优点是捕捉不同的驱动程序的特性，提供更丰富的描述机器人的行为在安全控制的上下文中。数值仿真验证了该方法的有效性。
2022-02-20 cs.RO
A Safety-Aware Shared Autonomy Framework with BarrierIK Using Control Barrier Functions
Technical University of Darmstadt（德累斯顿技术大学）；German Research Center for Artificial Intelligence (DFKI)（德国人工智能研究中心）；Robotics Institute Germany (RIG)（德国机器人研究所）；Centre for Cognitive Science（认知科学中心）；Honda Research Institute Europe GmbH（本田欧洲研究机构）
该研究提出在共享自主的逆运动学层使用控制屏障函数以提高安全性，通过模拟和用户研究验证了其在拥挤环境中的有效性。
2026-03-02 cs.RO
Safety-Critical Ergodic Exploration in Cluttered Environments via Control Barrier Functions
Yale University（耶鲁大学）
针对杂乱环境下自主探索的安全轨迹规划问题，提出结合离散控制障碍函数安全约束与遍历轨迹优化的方法，经仿真和多平台无人机实验验证可实现安全有效的全覆盖探索。
2023-04-29 cs.RO
Control Barrier Corridors: From Safety Functions to Safe Sets
Department of Mechanical Engineering, Eindhoven University of Technology（埃因霍温理工大学机械工程系）；Department of Electrical and Computer Engineering, University of California San Diego（加州大学圣地亚哥分校电气与计算机工程系）
本文提出控制屏障走廊概念，通过统一控制屏障函数与安全运动走廊方法，实现安全目标选择与持续路径跟随。
2026-03-06 cs.RO cs.SY eess.SY
Safety Considerations in Deep Control Policies with Safety Barrier Certificates Under Uncertainty
Microsoft Corporation（微软公司）；Technion - Israel Institute of Technology（以色列理工学院）
深度机器学习的最新进展已经显示出通过强化和模仿学习等方法解决复杂感知和控制回路的前景。然而，由于部分可观测性和难以表征神经网络的行为等问题，保证这种学习的深度策略的安全性一直是一个挑战。虽然在培训过程中非常强调安全学习，但在部署或测试时保证安全并非易事。本文扩展了如何在温和的假设下，安全屏障证书可以用来保证安全与深控制政策，尽管由于感知和其他潜在变量产生的不确定性。特别是对于动态平滑和不确定性具有有限支持的场景，所提出的框架围绕现有的深度控制策略，并通过动态评估和修改嵌入式网络的策略来生成安全操作。我们的框架利用控制障碍功能，以创建空间的控制动作，是安全的不确定性，当原始的行动被发现违反安全约束，使用二次规划，以最小限度地修改原始的行动，以确保他们躺在安全集。环境的表示是通过欧几里德符号距离场建立的，然后用于推断动作的安全性并保证前向不变性。我们实现了这种方法在模拟中的无人机赛车环境，并表明我们的方法相比，只依赖于模仿学习，以产生控制动作的基线更安全的行动。
2020-03-02 cs.RO
Safe Quadrotor Navigation using Composite Control Barrier Functions
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出基于单一复合控制屏障函数的安全滤波器，在数千约束下实现四旋翼避碰，并通过室内外机载LiDAR实验验证其对朴素与对抗策略的安全性。
2025-02-06 cs.RO
Distributed Predictive Control Barrier Functions: Towards Scalable Safety Certification in Modular Multi-Agent Systems
Institute for Dynamic Systems and Control, ETH Zurich（苏黎世联邦理工学院动态系统与控制研究所）；University of California Berkeley（加州大学伯克利分校）
本文提出分布式预测性控制屏障函数（D-PCBF）作为多智能体系统的安全框架，通过模型预测确保在动态网络拓扑变化下的可恢复安全性，并通过仿真和实验证明其有效性。
2026-03-31 cs.RO cs.SY eess.SY
Neural Control Barrier Functions for Safe Navigation
Norwegian University of Science and Technology (NTNU)（挪威科技大学）
本文提出一种受SDRE启发、在仿真中联合学习CBFs及安全控制器的新方法，并开发了无需一致地图或位置估计的反应式安全过滤器，成功应用于多旋翼平台实现未知环境下的安全导航。
2024-07-29 cs.RO
V-OCBF: Learning Safety Filters from Offline Data via Value-Guided Offline Control Barrier Functions
Microsoft Research, India（微软研究院（印度））
本文提出V-OCBF方法，通过价值引导学习离线数据中的安全过滤器，无需依赖在线交互或专家设计的屏障函数，有效提升安全性和任务性能。
2026-04-02 cs.AI cs.RO
Comparison between safety methods control barrier function vs. reachability analysis
University of California, San Diego（加州大学圣地亚哥分校）
本报告旨在比较两种安全方法：控制障碍函数和Hamilton-Jacobi可达性分析。我们将重点考虑以下几个方面的差异：系统动力学的通用性，建设的难度和计算成本。一个标准的杜宾汽车模型将进行数值评估，使比较更加具体。
2021-06-24 cs.RO cs.SY eess.SY
SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions
Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院）
SafeFlowMatcher通过结合流匹配与控制屏障函数，实现安全且高效的路径规划，在多个机器人任务中表现出更快、更平滑和更安全的性能。
2026-02-21 cs.AI cs.RO
Unmatched Control Barrier Functions: Certainty Equivalence Adaptive Safety
University of California, Los Angeles（加利福尼亚大学洛杉矶分校）；Massachusetts Institute of Technology（麻省理工学院）
本文将通用自适应控制应用于控制障碍函数，以实现安全集的前向不变性，尽管存在不匹配的参数不确定性。该方法结合了两种想法。首先是构造一系列控制障碍函数，以确保系统对所有可能的模型都是安全的。第二种是使用在线参数自适应，从允许的集合中有条理地选择控制障碍函数和相应的安全控制器。虽然这样的组合并不一定会产生向前的不变性，没有额外的要求上的障碍函数，我们表明，这种不变性可以通过简单地调整适应增益在线建立。它还表明，所开发的方法是适用于系统的安全约束，具有一个相对程度大于1。因此，这项工作代表了第一个自适应安全的方法，成功地采用了一般状态约束的确定性等价原则，而不牺牲安全保证。
2022-08-16 cs.RO 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
Safe Reinforcement Learning with Probabilistic Control Barrier Functions for Ramp Merging
Carnegie Mellon University（卡内基梅隆大学）
之前的工作着眼于将强化学习和模仿学习方法应用于自动驾驶场景，但算法的安全性或效率都受到了影响。通过使用嵌入到强化学习策略中的控制障碍函数，我们可以获得安全的策略来优化自动驾驶车辆的性能。然而，控制障碍函数需要一个很好的近似模型的汽车。我们使用概率控制障碍函数作为模型不确定性的估计。该算法作为在线版本在CARLA中实现（Dosovitskiy等人，2017年）模拟器，并作为从NGSIM数据库中提取的数据集的离线版本。该算法不仅是一种安全的匝道并道算法，而且是一种适用于高速公路匝道并道的安全自动驾驶算法。
2022-12-01 cs.AI cs.LG cs.RO
BarrierNet: A Safety-Guaranteed Layer for Neural Networks
MIT（麻省理工学院）
本文介绍了可微高阶控制障碍函数（CBF），是端到端的训练与学习系统。CBF通常过于保守，同时保证安全。在这里，我们解决他们的保守性，软化他们的定义使用环境依赖性，而不失去安全保证，并将它们嵌入到可微二次规划。这些新颖的安全层被称为屏障网，可以与任何基于神经网络的控制器结合使用，并且可以通过梯度下降进行训练。BarrierNet允许神经控制器的安全约束适应不断变化的环境。我们评估他们的一系列控制问题，如交通合并和机器人导航在2D和3D空间，并证明其有效性相比，国家的最先进的方法。
2021-11-22 cs.LG cs.RO cs.SY
Safe Multi-Agent Reinforcement Learning through Decentralized Multiple Control Barrier Functions
School of Mechanical Engineering and Automation, Harbin Institute of Technology Shenzhen（哈尔滨工业大学（深圳）机械工程与自动化学院）；Department of Aerospace Engineering and Engineering Mechanics, University of Cincinnati（辛辛那提大学航空航天工程与工程力学系）
近年来，多智能体强化学习（MARL）算法在仿真中表现出了惊人的性能，但将MARL应用于实际应用中可能存在安全问题。集中屏蔽MARL是近年来提出并在安全博弈中得到验证的。然而，集中式屏蔽方法可能是不可行的，在几个现实世界中的多代理应用程序，涉及非合作代理或通信延迟。因此，我们建议结合MARL与分散控制屏障功能（CBF）屏蔽的基础上，可用的本地信息。建立了一个具有分散多控制屏障功能的安全MARL框架，并将多Agent深度确定性策略梯度（MADDPG）发展为具有分散多控制屏障功能的多Agent深度确定性策略梯度（MADDPG-CBF）。基于一个既包含合作主体又包含障碍物的避碰问题，我们从理论上证明了具有安全保证的多个CBF的构造。实验结果表明，该安全MARL框架能够保证MARL中Agent的安全性。
2021-03-23 cs.MA cs.RO
Safety-Critical Control for Robotic Manipulators using Collision Cone Control Barrier Functions
University of São Paulo (USP)（圣保罗大学（USP））
本文提出碰撞锥控制障碍函数（C3BFs），将碰撞锥几何安全约束与笛卡尔阻抗控制结合，并开发基于QP的控制器最小修改输入，确保机械臂在动态环境中的安全。
2025-03-01 cs.RO cs.SY eess.SY
Synthesis of Control Barrier Functions Using a Supervised Machine Learning Approach
Birla Institute of Technology and Science (BITS)（比尔拉理工学院）；Georgia Institute of Technology（佐治亚理工学院）
控制障碍函数是用于保证机器人系统安全的数学构造。当集成为二次规划优化问题中的约束时，可以实现具有实时性能要求的瞬时控制综合，用于机器人应用。目前的使用假设安全屏障功能的充分知识，但在某些情况下，安全区域必须从传感器测量在线估计。在这些情况下，必须在线合成相应的屏障功能。本文介绍了一种学习框架，估计控制障碍功能的传感器数据。这样做提供了在未知状态空间区域中的系统操作，而不损害安全性。这里，支持向量机分类器提供由从传感器测量获得的安全和不安全状态的集合确定的屏障函数规范。提供了理论上的安全保障。配备激光雷达的全向机器人的实验ROS为基础的仿真结果证明安全操作。
2020-03-10 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
Computing Safe Control Inputs using Discrete-Time Matrix Control Barrier Functions via Convex Optimization
Department of Electrical and Computer Engineering, Brigham Young University（电气与计算机工程系， BYU）
本文提出一种基于凸优化和矩阵控制障碍函数技术的新方法，解决了离散时间非凸安全集系统计算保持安全性的控制输入的实时性限制，并在双旋翼系统仿真中验证了有效性。
2025-10-10 cs.RO 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
Navigating Polytopes with Safety: A Control Barrier Function Approach
Wichita State University（威斯康星州立大学）
本文提出一种基于控制屏障函数的系统方法，生成闭式候选函数，为多面体智能体在多面体环境中提供形式安全保证的无碰撞导航，并通过2D和3D动态环境仿真验证。
2025-05-22 cs.RO cs.SY eess.SY
Learning Input Constrained Control Barrier Functions for Guaranteed Safety of Car-Like Robots
University of California, San Diego（加利福尼亚大学圣迭戈分校）
本文提出基于输入受限控制屏障函数的安全滤波器设计方法，利用支持向量机回归学习环境平滑函数，并考虑转向约束，以保证类车机器人在复杂环境中的安全性。
2024-02-19 cs.RO cs.SY eess.SY
Control Barrier Functionals: Safety-critical Control for Time Delay Systems
Budapest University of Technology and Economics（布达佩斯技术与经济大学）；California Institute of Technology（加州理工学院）；University of Michigan（密歇根大学）
本文提出了时滞系统安全关键控制的理论框架。将为无时滞系统提供形式安全保证的控制障碍函数理论推广到具有状态时滞的系统。引入控制屏障泛函的概念，通过加强定义在无限维状态空间中的安全集的前向不变性来获得形式安全保证。所提出的框架是能够处理多个延迟和分布式延迟的动态和安全条件，并提供了一个仿射约束的控制输入，产生可证明的安全性。这个约束可以被纳入优化问题，以合成逐点最优和可证明安全的控制器。数值仿真算例验证了该方法的适用性。
2022-06-16 cs.RO cs.SY eess.SY
Safety Certification in the Latent space using Control Barrier Functions and World Models
Indian Institute of Technology, Roorkee（印度理工学院，罗尔基）
本文提出一种半监督框架，在世界模型潜空间中学习控制屏障证书，结合有限标注数据和视觉Transformer，实现数据高效的安全视觉运动策略合成。
2025-07-18 cs.CV cs.LG cs.RO
Semi-Supervised Safe Visuomotor Policy Synthesis using Barrier Certificates
Indian Institute of Science (IISc)（印度科学学院）
针对视觉运动策略缺乏形式化安全保证的问题，提出融合无模型监督学习与基于模型控制的障碍证书方法，实现半监督安全策略合成，并在倒立摆和移动机器人避障中验证。
2024-09-19 cs.RO cs.SY eess.SY
Safe Learning-Based Control of Elastic Joint Robots via Control Barrier Functions
Technical University of Munich（慕尼黑工业大学）
本文针对弹性关节机器人因未建模动态导致控制屏障函数无法直接保证安全的问题，提出用高斯过程回归学习未知动力学，并将鲁棒化安全条件转化为二阶锥规划在线求解，通过二自由度平面机器人仿真验证了方法的有效性。
2023-04-14 cs.RO cs.SY eess.SY
Safety of Sampled-Data Systems with Control Barrier Functions via Approximate Discrete Time Models
California Institute of Technology（加州理工学院）；Argo AI
控制障碍函数（CBF）已被证明是非线性系统安全关键控制器设计的一个强有力的工具。现有的设计范例没有解决理论（控制器设计与连续时间模型）和实践（离散时间采样实现的控制器）之间的差距，这可能会导致性能差和违反安全的硬件实例。我们提出了一种方法来缩小这一差距，通过合成采样数据对应这些CBF为基础的控制器，使用近似离散时间模型和采样数据控制障碍函数（SD-CBFs）。利用系统的连续时间模型的属性，我们建立了SD-CBF和采样数据系统的实际安全性的概念之间的关系。此外，我们构造凸优化为基础的控制器，正式赋予非线性系统的安全保障，在实践中。我们证明了这些控制器在仿真中的有效性。
2022-06-13 cs.RO cs.SY eess.SY
Extent-Compatible Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）
动力系统中的安全要求通常通过在状态空间的安全区域上的集合不变性约束来实施。控制障碍函数是保证集合不变性的类李雅普诺夫函数，当系统表示为状态空间中的一点时，它是一种有效的约束和保证安全的工具。在本文中，我们引入扩展兼容的控制障碍函数作为一种工具，以加强安全的系统，包括其体积（范围）在物理世界。为了实现扩展兼容的控制障碍函数框架，提出了一种基于平方和的优化程序。由于平方和程序可以计算禁止，我们另外引入了一个基于采样的方法，以保留传统的障碍函数为基础的二次规划控制器的计算优势。我们证明了所提出的基于采样的控制器保留了安全性的保证。仿真和机器人的实施结果也提供。
2020-01-20 cs.RO cs.SY eess.SY
Safe Navigation in Human Occupied Environments Using Sampling and Control Barrier Functions
Arizona State University（亚利桑那州立大学）；Toyota Research Institute of North America（丰田北美研究院）
基于采样的方法，如快速探索随机树（RRT）已被广泛用于自主移动系统的运动路径生成。在这项工作中，我们扩展了基于时间的RRT与控制障碍功能（CBF），以生成，安全的运动计划，在动态环境中有许多行人。我们的框架是基于人体运动预测模型，这是非常适合于室内狭窄的环境。我们在丰田人类支持机器人在狭窄走廊中导航的高保真模型上展示了我们的方法。我们在三种情况下，我们提出的在线方法可以安全地导航存在未知动态的移动代理。
2021-08-02 cs.RO cs.SY eess.SY
Zero-Order Control Barrier Functions for Sampled-Data Systems with State and Input Dependent Safety Constraints
California Institute of Technology（加州理工学院）
本文提出零阶控制屏障函数（ZOCBF），通过相邻采样时刻值的差分替代微分运算，处理采样数据系统中高相对阶及状态与输入相关安全约束，并给出三种数值求解方法，经避碰与防侧翻实验验证。
2025-04-08 cs.RO cs.SY eess.SY
Rollover Prevention for Mobile Robots with Control Barrier Functions: Differentiator-Based Adaptation and Projection-to-State Safety
California Institute of Technology（加州理工学院）
本文针对移动机器人在陡坡上的侧翻问题，提出一种结合ISS微分器与CBF的安全关键控制器，并利用时变PSSf处理扰动，最终在履带式机器人上实验验证了防侧翻保证的有效性。
2024-06-16 cs.RO cs.SY eess.SY
Fast, Smooth, and Safe: Implicit Control Barrier Functions through Reach-Avoid Differential Dynamic Programming
Princeton University（普林斯顿大学）
本文提出一种在滚动时域框架下通过 HJ 到达-规避微分动态规划在线构建隐式控制障碍函数的方案，实现具有无限时间安全保证的平滑安全滤波，避免了传统手工 CBF 的保守性。
2023-07-01 cs.RO cs.SY eess.SY
Composing Control Barrier Functions for Complex Safety Specifications
California Institute of Technology（加州理工学院）
本文针对复杂安全规范问题，提出将状态约束布尔组合转化为单一连续可微控制障碍函数的算法框架，并验证其安全控制效果。
2023-12-03 cs.RO cs.SY eess.SY
Safety of Dynamical Systems with Multiple Non-Convex Unsafe Sets Using Control Barrier Functions
CNRS（法国国家科学研究中心）；University of Rennes（雷恩大学）；Inria（法国国家信息与自动化研究所）；IRISA（法国信息与随机系统研究所）；University of Innsbruck（因斯布鲁克大学）
提出了一种处理存在多个非凸不安全集的动力系统安全性的方法。虽然最优控制和模型预测控制策略可以在这些场景中使用，但是在一般非线性系统的情况下，它们具有高计算复杂度。另一方面，利用控制障碍函数导致计算上高效的控制算法。然而，当安全保证必须与稳定性目标一起执行时，已经显示出出现不期望的渐近稳定平衡点。我们提出了一个计算效率高的优化方法，使我们能够确保安全的动力系统，而不会引入不希望的平衡，即使在存在多个非凸不安全集。所开发的控制算法在仿真和实际机器人导航应用中得到了展示。
2021-06-11 cs.RO cs.SY eess.SY
Safe Control Under Input Limits with Neural Control Barrier Functions
Robotics Institute（机器人研究所）；Carnegie Mellon University（卡内基梅隆大学）
我们提出了新的方法来合成控制障碍函数（CBF）为基础的安全控制器，避免输入饱和，这可能会导致安全违规。特别是，我们的方法是为高维，一般的非线性系统，这样的工具是稀缺的。我们利用来自机器学习的技术，如神经网络和深度学习，来简化非线性控制设计中的这一具有挑战性的问题。该方法由一个学习者-评论家架构，其中的评论家给出输入饱和的反例和学习者优化神经CBF，以消除这些反例。我们提供了经验的10维状态，四维输入四轴飞行器摆系统的结果。我们学习的CBF避免了输入饱和，并在近100%的试验中保持安全性。
2022-11-20 cs.AI cs.RO cs.SY
Safe Human-to-Humanoid Motion Imitation Using Control Barrier Functions
New York University Abu Dhabi (NYUAD)（纽约大学阿布扎比分校）；New York University（纽约大学）；NYUAD Center for Artificial Intelligence and Robotics (CAIR)（纽约大学阿布扎比人工智能与机器人中心）
本文提出了一种基于视觉的框架，通过控制障碍函数层确保人形机器人在模仿人类动作时的安全性，利用单摄像头捕捉人体骨骼关键点并转换为关节角度，通过二次规划过滤模仿指令以避免碰撞。
2026-04-13 cs.RO cs.SY eess.SY
Safe Autonomous Docking Maneuvers for a Floating Platform based on Input Sharing Control Barrier Functions
在这篇文章中，我们提出了一个控制策略的问题，安全自主对接的平面浮动平台（滑块），模拟卫星的运动。采用所提出的策略，滑块接近对接端口与正确的方向，保持一个安全的距离，同时始终保持在整个对接机动对接端口上的视觉锁定。控制障碍函数设计用于施加安全、接近方向和视觉锁定约束。滑块的三个控制输入在三个障碍函数之间共享以强制约束。它被证明是共享的控制输入在一个无冲突的方式在渲染定义安全和视觉锁定约束的集合前向不变，并在建立有限时间收敛到视觉锁定模式。无冲突的输入共享确保了二次规划的可行性，所述二次规划生成用于标称控制器的最小侵入性校正，所述标称控制器被设计为跟踪对接端口，使得在整个对接机动中尊重屏障约束。通过各种仿真验证了所提出的控制设计方法的有效性。
2022-09-14 cs.RO cs.SY eess.SY
Learning Control Barrier Functions and their application in Reinforcement Learning: A Survey
Polytechnique Montréal（蒙特利尔理工学院）
本文综述了安全强化学习中控制障碍函数的应用，并探讨了自动学习控制障碍函数的数据驱动方法，以提升强化学习在真实机器人应用中的安全性与有效性。
2024-04-22 cs.AI cs.LG cs.RO
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
Onboard Safety Guarantees for Racing Drones: High-speed Geofencing with Control Barrier Functions
California Institute of Technology（加州理工学院）
本文详细介绍了实际确保遥控竞赛无人机安全的理论和实现。我们仅利用10克微控制器上的在线计算，在7”竞速无人机上以超过100 km/h的速度展示了强大而实用的安全保证。为了实现这一目标，我们利用框架的控制障碍函数（CBF），保证安全编码为前向集不变性。为了使这种方法实际上适用，我们提出了一个隐式定义的CBF，它利用备份控制器，使梯度的评估，确保安全。应用于硬件的方法可以平滑地、最小限度地保守地改变飞行员的期望输入，使他们能够突破无人机的极限，而不必担心坠毁。此外，该方法与预先存在的飞行控制器一起工作，从而在附近没有安全风险时保持不变的飞行。其他好处包括无人机在失去视线或无线电故障时的安全性和稳定性。
2022-01-12 cs.RO cs.SY eess.SY
Safety-Critical Adaptive Impedance Control via Nonsmooth Control Barrier Functions under State and Input Constraints
Department of Electrical and Electronic Engineering, The University of Manchester（电气与电子工程系，曼彻斯特大学）
提出一种在线自适应阻抗控制框架，结合二次规划安全滤波器与新型组合位置-速度非光滑控制障碍函数，在不确定动力学下实现关节状态安全约束与柔顺交互，并通过区间二型模糊逻辑补偿未知动力学、软约束处理执行器力矩限制，利用复合Lyapunov分析证明安全集前向不变性与阻抗跟踪误差一致最终有界。
2026-06-03 cs.RO cs.SY eess.SY
Optimal Safety Control using High-Order Control Barrier Functions
Dalian University of Technology（大连理工大学）
研究非线性控制系统最优安全控制问题，提出新型高阶控制障碍函数及控制Lyapunov函数，讨论二者关系与兼容性以建立最优控制器，通过四旋翼导航问题数值示例验证了结果的有效性。
2026-07-21 cs.RO cs.SY eess.SY
Learning Differentiable Safety-Critical Control using Control Barrier Functions for Generalization to Novel Environments
University of California, Berkeley（加州大学伯克利分校）
控制障碍函数（CBF）已经成为加强控制系统安全性的流行工具。CBF通常在二次规划公式（CBF-QP）中用作安全关键约束。CBF中的类$\mathcal{K}$函数通常需要手动调优，以平衡每个环境的性能和安全性之间的权衡。然而，这个过程通常是启发式的，并且对于高相对度系统可能变得难以处理。此外，它阻止了CBF-QP推广到现实世界中的不同环境。通过将基于指数控制障碍函数的二次规划（ECBF-QP）的优化过程作为可微层嵌入深度学习架构中，我们提出了一种可微安全关键控制框架，该框架能够推广到具有前向不变性保证的高相对度系统的新环境。最后，我们验证了所提出的控制设计与2D双和四倍积分器系统在各种环境中。
2022-04-11 cs.LG cs.RO cs.SY
Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions
Caltech（加州理工学院）
针对降阶与全阶模型差异导致的安全违规，本文提出预测CBF，通过并行仿真学习预测鲁棒性项并在分层控制中保证安全性，且在三维跳跃机器人上验证。
2024-12-05 cs.LG cs.RO cs.SY
Individual Control Barrier Functions-Guided Diffusion Model for Safe Offline Multi-Agent Reinforcement Learning
Department of Electrical Engineering and Automation, Aalto University（阿尔托大学电气工程与自动化系）；School of Computing and Data Science, Xiamen University Malaysia（厦门大学马来西亚分校计算与数据科学学院）；Department of Computer Science, University of Toronto（多伦多大学计算机科学系）
提出一种将神经个体控制障碍函数嵌入扩散模型的离线多智能体强化学习算法，通过逆动力学恢复控制策略，在保证奖励的同时显著提升轨迹生成的安全性。
2026-06-12 cs.LG cs.RO cs.SY
Safe Reinforcement Learning Using Robust Control Barrier Functions
Georgia Institute of Technology（佐治亚理工学院）；University of Waterloo（滑铁卢大学）；Outrider（Outrider公司）；University of California, Irvine（加州大学欧文分校）
强化学习（RL）已被证明在许多情况下是有效的。然而，它通常需要探索足够大数量的状态-动作对，其中一些可能是不安全的。因此，将其应用于安全关键系统仍然是一个挑战。一种越来越常见的解决安全性的方法涉及添加一个安全层，该安全层将RL操作投影到一组安全的操作上。反过来，这种框架的难点是如何有效地将RL与安全层耦合以提高学习性能。在本文中，我们将安全性框架作为基于模型的RL框架中的可微鲁棒控制障碍功能层。此外，我们还提出了一种方法来模块化学习的基本奖励驱动的任务，独立的安全约束。我们证明了这种方法既确保了安全性，又有效地指导了一系列实验中训练过程中的探索，包括以模块化方式学习奖励时的zero-shot转移。
2022-06-22 cs.AI cs.LG cs.RO
Safety Barrier Certificates for Heterogeneous Multi-Robot Systems
Georgia Institute of Technology（佐治亚理工学院）
本文提出了一个正式的框架，避免碰撞的多机器人系统，其中现有的控制器进行修改，以最小的侵入方式，以确保安全。我们建立这个框架，通过使用控制障碍功能（CBFs），保证向前不变性的安全集，这些收益率的异构机器人动力学的背景下，受加速度界限的安全屏障证书。此外，安全屏障证书扩展到一个分布式控制框架，其中相邻的代理动态是未知的，通过本地参数识别。最终的结果是一个基于优化的控制器，正式保证在异构多智能体系统中的无碰撞行为，通过最小限度地修改所需的控制器，通过安全屏障约束。这一正式的结果验证了在模拟上的多机器人系统组成的笨重和敏捷的机器人，实验证明了一个麦哲伦Pro机器人和三个Khepera III机器人的系统。
2016-09-02 cs.RO math.OC
Risk-Averse Planning via CVaR Barrier Functions: Application to Bipedal Robot Locomotion
California Institute of Technology（加州理工学院）
在存在随机不确定性的情况下实施安全是一个具有挑战性的问题。传统上，研究人员在这种情况下提出了统计平均值的安全性作为安全措施。然而，只有当系统在大量运行中的安全行为令人感兴趣时，确保统计平均值中的安全性才是合理的，这排除了在实际场景中使用平均安全性。在本文中，我们提出了一个风险敏感的安全概念，称为条件风险价值（CVaR）安全，这是关注在最坏的情况下实现的安全性能。我们引入CVaR障碍函数作为一种工具，以执行CVaR的安全性，并提出其布尔组合物的条件。给定一个传统的控制器，我们表明，我们可以设计一个最小干扰CVaR安全控制器通过求解差分凸规划。我们阐明了所提出的方法，将其应用到双足机器人运动的案例研究。
2021-03-06 cs.RO math.OC
A Barrier Pair Method for Safe Human-Robot Shared Autonomy
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
共享自治提供了一个框架，其中人类和自动化系统（如机器人）共同控制系统的行为，从而为各种应用（包括人机交互）提供有效的解决方案。然而，在共享自治的一个具有挑战性的问题是安全性，因为人类的输入可能是未知的和不可预测的，这影响了机器人的安全约束。如果人类输入是通过与机器人的物理接触施加的力，它也会改变机器人的行为以保持安全。我们提出了一个两层的控制框架，以解决在实时应用程序中的共享自治的安全问题。在第一层中，我们使用人类输入测量的历史来推断人类希望机器人做什么，并根据该推断来定义机器人的安全约束。在第二层中，我们制定了一个快速探索的随机树的障碍对，与每个障碍对组成的障碍函数和控制器。使用这些屏障对中的控制器，机器人能够在人类输入的干预下保持其安全操作。该控制框架允许机器人帮助人类，同时防止他们遇到安全问题。我们证明了所提出的控制框架上的两连杆机械手机器人的模拟。
2021-12-01 cs.RO math.OC
Quantifying Safety of Learning-based Self-Driving Control Using Almost-Barrier Functions
University of California San Diego（加州大学圣地亚哥分校）
自动驾驶车辆的路径跟踪控制可以受益于深度学习，以应对非线性和不确定性等长期存在的挑战。然而，深度神经控制器缺乏安全保障，限制了其实际应用。我们提出了一种新的学习几乎障碍函数的方法，该方法近似表征了神经控制器下系统的前向不变集，以定量分析深度神经控制器用于路径跟踪的安全性。我们设计了基于采样的学习过程，用于构建候选神经屏障函数，以及利用神经网络的鲁棒性分析来识别屏障条件完全满足的区域的认证过程。我们在学习和认证之间使用对抗训练循环来优化几乎障碍函数。通过可达性分析，学习屏障也可以用于构建在线安全监控器。我们证明了我们的方法在各种仿真环境中量化神经控制器安全性的有效性，从简单的运动学模型到具有高保真车辆动力学仿真的TORCS模拟器。
2022-08-08 cs.RO
Virtual Barriers in Augmented Reality for Safe and Effective Human-Robot Cooperation in Manufacturing
Monash University（莫纳什大学）
安全性是任何人机协作场景中的基本要求。为了确保这种情况下的用户的安全，我们提出了一种新的虚拟障碍系统的增强现实接口。我们的系统提供了两种类型的虚拟障碍，以确保安全：1）一个虚拟人障碍，封装和跟随用户，以保护他们免受碰撞的机器人，和2）虚拟障碍障碍，用户可以产卵，以保护物体或区域，机器人不应该进入。为了实现有效的人机协作，我们的系统包括一个直观的机器人编程界面，利用语音命令和手势，并具有自动路径重新规划的能力，当检测到潜在的碰撞作为一个障碍物相交的机器人的规划路径的结果。我们通过用户研究比较了我们的新系统与标准的2D显示界面，参与者模仿工业制造过程完成一项任务。实验结果表明，该系统提高了用户的安全感和工作效率，使交互更加直观。
2021-04-12 cs.RO
