Provably-Correct Safety Protocol for Cooperative Platooning
Technical University of Munich(慕尼黑工业大学)
本文提出一种可证明正确的安全协议,通过利用通信制动能力,在保持与前车小距离的同时防止碰撞,并在通信故障情况下仍能保证安全。
2026-05-12 cs.SY eess.SY
Glycemic Safety Tube: A Provably Safe Control Framework for Artificial Pancreas Systems under Parametric Uncertainty
Indian Institute of Science, Bengaluru(印度科学学院);Robert Bosch Centre for Cyber-Physical Systems(罗伯特博世网络物理系统中心)
本文提出Glycemic Safety Tube Control,一种无需模型且计算高效的自动胰岛素输送控制框架,通过设计临床相关安全边界保证血糖在安全范围内,并在有限的餐食干扰和估计误差下保证安全性和输入约束满足。
2026-05-11 cs.SY eess.SY
Towards Deductive Verification of Control Algorithms for Autonomous Marine Vehicles
针对自主海洋航行器混合系统特性导致控制算法形式化安全验证困难的问题,提出结合GNU/Octave数值计算与Isabelle证明助手的验证方法,可验证多模式切换控制器的微分不变量。
2020-06-16 cs.SE cs.SY eess.SY
Grounding-aware RRT* for Path Planning and Safe Navigation of Marine Crafts in Confined Waters
Technical University of Denmark(丹麦技术大学)
本文提出了一种基于RRT* 的路径规划算法,该算法解决了在规避机动以避免碰撞期间接地的风险。规划者通过将集体航行经验与系统使用电子航海图的水深信息相结合来实现这一目标。多元核密度估计应用于历史AIS数据生成一个概率模型,描述海员的最佳做法,而在封闭水域航行。然后将此知识编码到RRT* 成本函数中,以惩罚将导致自己的船在浅水中航行的路径偏差。满足自身船舶吃水的深度等值线定义了实际的通航区域,并采用该非凸区域的三角剖分以实现均匀采样。这确保了最佳的路径偏差。
2021-09-14 cs.RO cs.SI cs.SY
A Provably Correct MPC Approach to Safety Control of Urban Traffic Networks
Boston University(波士顿大学)
本文提出一种可证明正确的MPC方法,通过在安全集内寻找鲁棒受控不变集来优化有限时间成本函数,确保城市交通网络的长期安全性能。
2016-02-02 cs.SY eess.SY
Symbolic Control for Autonomous Docking of Marine Surface Vessels
本研究提出一种带形式化安全保证的水面船舶自主靠泊分层控制架构,上层实时综合符号控制器生成期望速度,下层通过速度反馈回路执行,经仿真与缩比模型物理实验验证了方案有效性。
2025-09-03 cs.SY eess.SY
Towards Provably Safe Mixed Transportation Systems with Human-driven and Automated Vehicles
Department of Electrical and Computer Engineering, Texas A&M University(德克萨斯农工大学电气与计算机工程系)
本文研究了在人驾驶和自动驾驶车辆混合交通系统中如何设计可证明安全的系统,通过制定运动规划策略和协调规则,确保系统安全性和通过能力。
2018-10-13 cs.SY eess.SY
Provably Safe and Robust Drone Routing via Sequential Path Planning: A Case Study in San Francisco and the Bay Area
Toshiba(东芝)
本文通过顺序路径规划方法在大规模多无人机系统中实现安全高效的路径规划,展示了其在城市和多城市环境中的应用效果。
2017-05-10 cs.SY eess.SY
A Finite-Sampling, Operational Domain Specific, and Provably Unbiased Connected and Automated Vehicle Safety Metric
Ohio State University(俄亥俄州立大学)
互联自动化车辆安全指标通过分析涉及SV与其他动态道路用户和环境特征之间的交互的数据来确定主体车辆(SV)的性能。当数据集仅包含从自然混合交通驾驶环境中收集的有限样本集时,通过指定SV在哪个域中预计是安全的以及SV在该域中的统计安全性如何,预计度量将安全评估结果从观察到的有限样本推广到未观察到的情况。然而,据我们所知,现有的安全性指标都不能证明上述属性具有特定于操作领域的、保证完整的和可证明无偏见的安全性评价结果。在本文中,我们提出了一种新的安全性度量,涉及$α$ -形状和$ε$ -几乎鲁棒前向不变集来表征SV的几乎安全的可操作域和概率SV保持在安全域内,分别。所提出的方法的经验表现在几个不同的操作设计领域通过一系列的情况下,涵盖了各种保真度水平(现实世界和模拟器),驾驶环境(高速公路,城市和十字路口),道路使用者(汽车,卡车和行人),和SV驾驶行为(人类驾驶员和自动驾驶算法)。
2022-02-02 cs.RO cs.SY eess.SY
Provably Safe Reinforcement Learning via Action Projection using Reachability Analysis and Polynomial Zonotopes
Technical University of Munich(慕尼黑工业大学);Stony Brook University(石溪大学)
虽然强化学习在许多应用中产生了非常有前途的结果,但其主要缺点是缺乏安全保证,这阻碍了其在安全关键系统中的使用。在这项工作中,我们解决这个问题的安全盾的非线性连续系统,解决达到避免任务。我们的安全盾通过将建议的动作投影到最接近的安全动作来防止从强化学习代理应用潜在的不安全动作。这种方法被称为动作投影,并通过混合整数优化来实现。动作投影的安全约束是通过应用参数化的可达性分析,使用多项式zonotopes,这使得能够准确地捕捉系统上的动作的非线性影响。与其他最先进的动作投影方法相比,我们的安全防护罩可以有效地处理输入约束和动态障碍物,简化将空间机器人尺寸纳入安全约束,尽管有过程噪声和测量误差,但仍能保证鲁棒的安全性,并且非常适合高维系统,正如我们在几个具有挑战性的基准系统上所展示的那样。
2023-03-14 cs.LG cs.RO cs.SY
Provably Safe Motion Planning Under Unknown Disturbances
Department of Aerospace Engineering Sciences at the University of Colorado Boulder(科罗拉多大学博尔德分校航空航天工程科学系);Department of Aerospace and Ocean Engineering(航空航天与海洋工程系);Delft University of Technology(代尔夫特理工大学);Italian Institute of Artificial Intelligence(意大利人工智能研究所)
针对未知分布随机扰动下的机器人系统,提出一种基于Wasserstein模糊管的学习型采样运动规划算法,实现概率完备且保守性低的安全规划。
2026-05-30 cs.RO cs.SY eess.SY
Provably Safe, Yet Scalable Reinforcement Learning
MIT(麻省理工学院)
提出PS2-RL框架,通过两阶段架构(学习备份策略隐式构造控制不变集,再通过可微投影层训练RL策略)实现可证明安全且可扩展的强化学习,在高达10维状态空间中保持性能与安全性。
2026-11-05 cs.LG cs.RO cs.SY
An Efficient Reachability-Based Framework for Provably Safe Autonomous Navigation in Unknown Environments
University of California, Berkeley(加州大学伯克利分校)
提出一种基于Hamilton-Jacobi可达性的高效实时安全分析框架,在未知环境中为自主导航提供可证明的安全保证,且不依赖特定规划器,并已在仿真和硬件上验证。
2019-05-01 cs.AI cs.LG cs.RO
Stochastic COLREGs Evaluation for Safe Navigation under Uncertainty
Technical University of Denmark(丹麦技术大学)
针对船舶会遇态势评估中的随机不确定性导致COLREGs违规风险,提出一种可解释的概率评估方法,提供不确定性度量,支持有人及自主船舶决策,并通过仿真验证其有效性。
2024-02-08 cs.RO cs.SY eess.SY
COLREGs-Informed RRT* for Collision Avoidance of Marine Crafts
Technical University of Denmark(丹麦技术大学)
本文提出了新的采样策略来计算最佳路径变更的水面舰艇航行在近距离。这种策略直接编码的规则,在海上安全航行,利用最小船舶域的概念,以确定的路径偏差将产生的顺应区域。采样策略集成在最优快速探索随机树算法中,该算法最小化了路径偏差的长度。此外,通过确保新航路点的位置符合船舶的最小转弯半径,验证了相对于本船转向特性的路径的可行性。所提出的采样策略带来了显着的性能改善,无论是在最佳成本,计算速度和收敛速度。
2021-03-26 cs.RO cs.SY eess.SY
xTRUCE: A Provably Safe Arbiter for Multi-xApp Conflict Mitigation in Agentic O-RAN
Virginia Tech(弗吉尼亚理工大学);University of Georgia(佐治亚大学)
针对O-RAN中LLM驱动xApp提案的冲突等问题,提出可证明安全的仲裁器xTRUCE,通过三层约束层次与两阶段仲裁机制保障gNB控制安全,经仿真和空中实验验证其有效性。
2026-09-28 cs.NI cs.SY eess.SY
Provably Safe Decentralized Contingency MPC under State-Only Information and Limited Sensing for Nonlinear Multi-agent Systems
针对仅状态信息与有限感知下的非线性多智能体系统,提出可证安全的分散式应急模型预测控制方法,通过新颖安全集更新机制降低保守性,在密集场景中验证了其有效性。
2026-09-01 cs.MA cs.RO cs.SY
Decentralized Safety-Critical Control of Resilient DC Microgrids with Large-Signal Stability Guarantees
针对直流微电网现有初级控制器缺乏严格安全保证、易牺牲扩展性等问题,提出结合控制屏障函数与端口哈密顿理论的分布式安全关键控制器,实现分散式可扩展安全镇定,经仿真验证在多故障场景下具备优势。
2025-09-04 cs.SY eess.SY
Provably Safe Model-Based Meta Reinforcement Learning: An Abstraction-Based Approach
University of California, Irvine(加利福尼亚大学尔湾分校)
虽然传统的强化学习专注于设计可以执行一项任务的代理,但元学习的目标是解决设计可以概括为不同任务的代理的问题(例如,环境、障碍和目标),这些因素在设计或训练这些智能体时没有考虑到。本着这种精神,在本文中,我们考虑训练一个可证明安全的神经网络(NN)控制器的不确定非线性动力系统,可以推广到新的任务,不存在的训练数据,同时保持强大的安全保证的问题。我们的方法是在训练阶段学习一组NN控制器。当任务在运行时可用时,我们的框架将仔细选择这些NN控制器的子集,并将它们组合成最终的NN控制器。我们的方法的关键是计算非线性动力系统的有限状态抽象的能力。这个抽象模型捕获闭环系统在所有可能的NN权重下的行为,并用于训练NN,并在任务可用时组合它们。我们提供了理论保证,管理所产生的NN的正确性。我们评估了我们的方法控制轮式机器人在杂乱的环境中,不存在的训练数据的问题。
2021-09-03 cs.LG cs.RO cs.SY
A Guidance and Maneuvering Control System Design with Anti-collision Using Stream Functions with Vortex Flows for Autonomous Marine Vessels
University of Michigan(密歇根大学);Norwegian University of Science and Technology(挪威科技大学);Tsinghua University(清华大学)
预计自主海洋船舶将避免船舶之间的碰撞,并遵守国际安全航行条例。提出了一种基于流函数的分步路径规划方法。采用流体的动态流动作为引导模型,通过在汇流中应用圆形定理来实现静态环境中的碰撞避免。我们将这种方法扩展到动态环境中,通过在流场中加入涡流。流函数被递归地更新,以实现飞行中的路点决策。该船避免碰撞,并遵守《国际海上避碰规则公约》的若干规则。该方法在概念上和计算上都很简单,调整方便,但通用性强,可以处理具有多个动态障碍物的复杂和密集的海上交通。考虑到船舶动力学,通过使用Bézier曲线来生成具有可行曲率的足够光滑的路径。数值模拟进行了验证所提出的方法。
2022-04-16 cs.RO cs.SY eess.SY
Resilience in Platoons of Cooperative Heterogeneous Vehicles: Self-organization Strategies and Provably-correct Design
Technical University of Munich (TUM)(慕尼黑工业大学);Ecole Polytechnique Federale de Lausanne (EPFL)(洛桑联邦理工学院);Southeast University(东南大学);University of Grenoble Alpes, CNRS, Inria, Grenoble INP, GIPSA-Lab(格勒诺布尔阿尔卑斯大学、法国国家科学研究中心、法国国家信息与自动化研究所、格勒诺布尔理工学院、GIPSA实验室)
本研究针对异构协同车辆编队,提出可证明正确性的自组织策略,通过同质化行为提升对加速度限制和通信故障的韧性,经解析验证稳定性、安全层正确性及数值仿真验证,确认性能提升。
2024-02-23 cs.SY eess.SY
EnergyShield: Provably-Safe Offloading of Neural Network Controllers for Energy Efficiency
University of California, Irvine(加州大学欧文分校)
为了缓解基于神经网络(NN)的自动驾驶系统(ADS)的高能量需求,我们考虑将NN控制器从ADS卸载到附近的边缘计算基础设施的问题,但要保证正式的车辆安全性能。特别是,我们提出了能量盾框架,它重新利用控制器的“盾牌”作为一个低功耗的运行时安全监视器的ADS车辆。具体而言,EnergyShield中的防护罩不仅提供安全干预措施,还在车辆安全受到损害之前对可容忍的边缘响应时间进行正式的、基于状态的量化。使用EnergyShield,ADS可以通过将NN计算无线卸载到边缘计算机来节省能源,同时仍然保持正式的安全保证,直到它收到响应(车载硬件提供及时的故障安全)。为了验证EnergyShield的优势,我们在Carla仿真环境中实施并测试了它。我们的研究结果表明,与车载NN评估相比,EnergyShield可保持安全的车辆运行,同时提供显着的节能效果:在一系列无线条件和边缘延迟下,能耗降低24%至54%。
2023-02-13 cs.DC cs.LG cs.RO
Safe Autonomy for Uncrewed Surface Vehicles Using Adaptive Control and Reachability Analysis
Aurora Flight Sciences(极光飞行科学公司);Massachusetts Institute of Technology(麻省理工学院);Woods Hole Oceanographic Institution(伍兹霍尔海洋研究所)
本文提出结合MRAC与基于MHE的可达性分析的USV安全自主框架,可在线估计扰动、认证安全,并在实船与任务仿真中显著降低轨迹误差。
2024-10-01 cs.RO cs.SY eess.SY
Provably Optimal Reinforcement Learning under Safety Filtering
Princeton University(普林斯顿大学);Johns Hopkins University(约翰斯·霍普金斯大学)
本文证明在安全过滤下强化学习可实现最优性能,通过安全关键MDP和过滤MDP的理论框架,展示安全与性能优化的分离,并验证了在安全过滤器下的训练和部署方法。
2026-09-21 cs.LG cs.RO cs.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
Provably safe and human-like car-following behaviors: Part 2. A parsimonious multi-phase model with projected braking
Department of Civil and Environmental Engineering, California Institute for Telecommunications and Information Technology, Institute of Transportation Studies(土木与环境工程系、电信与信息科技研究院、交通研究学院)
针对自动驾驶跟驰中安全证明与类人加减速难以兼顾的问题,提出融合扩展 Newell 模型与投影制动控制律的简约多阶段模型,并通过相平面证明和仿真验证其无碰撞、有界减速及类人制动性能。
2025-05-15 cs.RO cs.SY eess.SY
Provably Correct Training of Neural Network Controllers Using Reachability Analysis
University of California, Irvine(加州大学欧文分校)
在本文中,我们考虑了非线性动力系统的神经网络(NN)控制器的训练问题,这些控制器保证满足安全性和活性(例如,到达-避免)属性。我们的方法是结合基于模型的动力系统的设计方法与数据驱动的方法来实现这一目标。我们将注意力限制在具有整流器线性单元(ReLU)非线性的NN上,这些NN已知代表连续分段仿射(CPWA)函数。给定一个动力系统的数学模型,我们计算一个有限状态的抽象模型,捕捉所有可能的CPWA控制器下的闭环行为。使用这个有限状态的抽象模型,我们的框架确定了一个家庭的CPWA功能保证满足安全要求。我们在训练过程中使用NN权重投影算子来增强学习算法,从而强制产生的NN表示来自可证明安全的CPWA函数家族的CPWA函数。此外,该框架使用有限状态抽象模型来识别可能满足活性属性的候选CPWA函数。使用这样的候选CPWA函数,所提出的框架偏置NN训练以实现活性规范。我们在模拟和实际的机器人车辆上显示了所提出的框架的有效性。
2021-09-05 cs.LG cs.RO cs.SY
Provably Safe Control for Constrained Nonlinear Systems with Bounded Input
针对受执行器饱和和输出约束的非线性系统,提出平滑非对称饱和模型建模执行器约束,开发非线性控制框架,实现跟踪误差全局/半全局稳定及闭环信号有界,仿真验证其处理非对称约束和跟踪性能的有效性。
2025-04-15 cs.SY eess.SY math.DS
Adaptive Control for Marine Vessels Against Harsh Environmental Variation
针对水动力变化和输入时滞未知的情况,提出了一种基于海况观测器和动态推力分配的船舶动力定位鲁棒控制方法。为了克服相邻浮式生产储油船(FPSO)和居住船所引起的巨大力变化,设计了一种新型的海况观测器。该海浪观测器能有效地监测船舶所受漂移波浪力的变化,并在识别出较大的波浪力时,激活控制器中的神经网络补偿器。此外,风阻力系数可以在海洋观测器中自适应地近似,从而可以实现前馈控制。在此基础上,提出了一种鲁棒约束控制方法,以保证系统的安全运行。还考虑了控制输入中的时间延迟。提出了动态推力分配模块,用于在方位推力器之间分配广义控制输入。通过严格的李雅普诺夫分析,证明了在所提出的海洋观测器和控制下,所有闭环信号的有界性。一组仿真研究进行了验证所提出的控制方案的有效性。
2019-09-29 cs.NE cs.SY eess.SY
Provably Safe Generative Sampling with Constricting Barrier Functions
Mechanical Engineering University of California, Riverside(机械工程 加州大学河滨分校);Electrical Engineering and Computer Science University of California, Irvine(电气工程与计算机科学 加州大学伊尔弗分校)
通过约束屏障函数实现安全生成采样,确保生成样本满足硬约束并保持语义保真度。
2026-08-04 cs.AI cs.LG cs.SY
ShieldNN: A Provably Safe NN Filter for Unsafe NN Controllers
Electrical Engineering and Computer Science, University of California, Irvine(加州大学欧文分校电气工程与计算机科学系);Electrical and Computer Engineering, University of Virginia(弗吉尼亚大学电气与计算机工程系);Mechanical Engineering, Iowa State University(爱荷华州立大学机械工程系)
本文提出ShieldNN闭式CBF防护算法,面向非仿射KBM直接处理转向与速度约束并给出安全控制集合,可在RL神经网络控制器训练中实现高效多障碍物防护,显著提升训练回合完成率。
2025-03-15 cs.LG cs.RO cs.SY
Provably Safe Neural Network Controllers via Differential Dynamic Logic
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);DePaul University(德保罗大学);Carnegie Mellon University(卡内基梅隆大学)
提出VerSAILLE和Mosaic方法,结合微分动态逻辑与神经网络验证,实现无限时间安全性的可证明保证,并在基准上显著优于现有工具。
2024-10-24 cs.AI cs.LG cs.LO
Guaranteed Safe Reachability-based Trajectory Design for a High-Fidelity Model of an Autonomous Passenger Vehicle
University of Michigan(密歇根大学)
本文提出一种基于可达性的安全轨迹设计方法,应用于具有完整动力总成、底盘和轮胎动力学的高保真自动驾驶乘客车辆模型,证明了该方法在实时环境下生成安全轨迹的能力。
2019-02-06 cs.SY eess.SY
Sample-Optimal Zero-Violation Safety For Continuous Control
针对部分未知系统少样本安全控制问题,刻画了样本不足时的安全极限,提出了用最少样本生成可证安全动作与恢复行为的方法,还得到了宽松假设下的类Nagumo定理结果,并可集成到策略梯度算法中实现少样本安全稳定控制。
2024-03-13 cs.SY eess.SY
Provably Efficient Generalized Lagrangian Policy Optimization for Safe Multi-Agent Reinforcement Learning
University of Pennsylvania(宾夕法尼亚大学);Meta;Yale University(耶鲁大学);Northwestern University(西北大学);University of Southern California(南加州大学)
本文针对带约束马尔可夫博弈中的在线安全多智能体强化学习问题,提出基于广义拉格朗日函数的上置信算法,首次实现遗憾与约束违反的次线性保证。
2023-05-31 cs.AI cs.LG cs.SY
Safe Intersection Management for Mixed Transportation Systems with Human-Driven and Autonomous Vehicles
Texas A&M University(德克萨斯农工大学)
本文研究了混合交通系统中人驾驶和自动驾驶车辆共存时的安全管理问题,提出了一种基于MPC的协议和交通信号协调协议,以确保交叉口的安全性。
2018-10-14 cs.SY eess.SY
Provably safe and human-like car-following behaviors: Part 1. Analysis of phases and dynamics in standard models
Department of Civil and Environmental Engineering, California Institute for Telecommunications and Information Technology, Institute of Transportation Studies(土木与环境工程系、电信与信息科技研究院、交通研究学院)
本文用多阶段动力学分析 Newell、IDM 与 Gipps 等标准跟驰模型,依据安全与类人原则揭示其局限,并由仿真与实证验证。
2025-05-15 cs.RO cs.SY eess.SY
Safe Controller Synthesis with Tunable Input-to-State Safe Control Barrier Functions
为了以安全的方式将复杂系统带入现实世界的环境中,它们必须对环境和系统中的不确定性具有鲁棒性。研究了控制系统在输入扰动下的安全性问题,其中扰动可以捕获系统中的不确定性。安全性,作为前向不变的状态空间中的集合,确保与控制障碍函数(CBF)的框架。具体地说,输入状态安全(ISSf)的定义是广义的,允许合成的非保守的,可调控制器,可证明安全的变化的干扰。这是通过制定的概念,可调输入状态安全的控制障碍函数(TISSF-CBF),保证安全的干扰,随着状态的变化,因此,提供了较不保守的手段,容纳不确定性。通过一个简单的带有输入扰动的控制系统验证了理论结果,并将其应用于重型汽车安全联网巡航控制器的设计。
2021-06-04 cs.SY eess.SY
Provably Safe and Robust Learning-Based Model Predictive Control
Electrical Engineering and Computer Sciences(电气工程与计算机科学系)
提出一种基于学习的模型预测控制(LBMPC)方案,通过解耦安全与性能,利用统计学习改进性能并保证鲁棒性。
2012-08-04 cs.LG cs.SY eess.SY
Safe Control of Second-Order Systems with Linear Constraints
针对位置空间中具有线性边界的二阶系统,本文提出构造可证明控制不变子集的 CBF 方法,并将安全约束扩展至速度与控制输入。
2025-03-13 cs.SY eess.SY
Guaranteed-Safe MPPI Through Composite Control Barrier Functions for Efficient Sampling in Multi-Constrained Robotic Systems
本文提出GS-MPPI算法,通过复合控制屏障函数将多重安全约束集成为单一约束并嵌入MPPI采样过程,在保证安全的同时提升采样效率并缓解CBF短视问题。
2024-10-03 cs.SY eess.SY
SafeDMPs: Integrating Formal Safety with DMPs for Adaptive HRI
Indian Institute of Science(印度科学研究所)
本文提出SafeDMPs框架,结合DMPs的高效动态鲁棒性与基于STTs的非优化控制律,实现安全、鲁棒且适应性强的人机交互。
2026-03-31 cs.RO cs.SY eess.SY
Secure Control of Connected and Automated Vehicles Using Trust-Aware Robust Event-Triggered Control Barrier Functions
针对互联自动驾驶车辆网络在V2X通信和传感器噪声下的安全威胁,提出信任感知鲁棒事件触发去中心化控制与协调框架,通过维护信任指标平衡保守性与安全性,实现攻击检测与缓解,并在SUMO和CARLA仿真中验证了其有效性。
2024-03-25 cs.SY eess.SY
Safe Reinforcement Learning with Chance-constrained Model Predictive Control
UC Berkeley(加州大学伯克利分校)
现实世界中的强化学习(RL)问题通常要求智能体通过遵守一组设计的约束来安全地行为。我们通过将基于模型预测控制(MPC)的安全指南与线性设置中具有连续动作的修改后的策略梯度框架相耦合来解决安全RL的挑战。该指南通过在MPC公式中嵌入安全要求作为机会约束来强制执行系统的安全操作。然后,策略梯度训练步骤包括训练基本策略以安全地运行的安全惩罚。我们从理论上证明,这种惩罚允许一个可证明安全的最佳基础政策,并说明我们的方法与模拟线性化四旋翼实验。
2022-03-28 cs.LG cs.SY eess.SY
Safety-Critical Control of Nonholonomic Vehicles in Dynamic Environments using Velocity Obstacles
Norwegian University of Science and Technology(挪威科技大学);Norwegian Defence Research Establishment(挪威国防研究机构);California Institute of Technology(加州理工学院)
针对动态环境中非完整车辆避碰易停车倒车的问题,提出基于速度障碍的CBF控制方案,分离速度与转向控制以保持前进安全,经理论与仿真验证有效。
2023-10-01 cs.RO cs.SY eess.SY
Formal Verification of Control Lyapunov-Barrier Functions for Safe Stabilization with Bounded Controls
针对有界控制下的安全镇定问题,提出可验证条件合成单光滑李雅普诺夫函数以同时保证渐近稳定性和安全性,构造显式CLBF且比基于SOS的兼容CBF-CLF设计保守性更低。
2025-11-13 cs.SY eess.SY math.OC
Traceable Virtual Sea Trials in the Marine Robotics Unity Simulator for Manoeuvring Assessment of Unmanned Surface Vehicles
School of Engineering and Built Environment, Sheffield Hallam University(谢菲尔德哈勒姆大学工程与建筑环境学院)
针对USV水动力导数辨识数据获取难的问题,在MARUS仿真器中建立标准化虚拟海试框架,通过TC/ZZ机动自动化执行、数据采集与后处理管道,生成符合IMO/ITTC指标的可重复数据集,案例验证了框架的有效性。
2026-06-15 cs.RO cs.SY eess.SY
Safe Feedback Motion Planning: A Contraction Theory and $\mathcal{L}_1$-Adaptive Control Based Approach
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
自主机器人能够在存在不完善的模型知识或外部干扰的情况下安全运行,这在安全关键应用中至关重要。在本文中,我们提出了一个规划者不可知的框架,设计和验证安全管周围所需的轨迹,机器人总是保证留在里面。利用最近的结果收缩分析和$\mathcal{L}_1$ -自适应控制,我们合成的架构,诱导安全管的非线性系统的状态和时变不确定性。我们演示了一些说明性的例子如何收缩理论为基础的$\mathcal{L}_1$ -自适应控制可以与传统的运动规划算法结合使用,以获得可证明安全的轨迹。
2020-05-25 cs.RO cs.SY eess.SY
Neural Certificates for Safe Control Policies
Purdue University(普渡大学);Northwestern University(西北大学);Princeton University(普林斯顿大学)
本文提出了一种学习动力系统的策略的方法,该策略保证是可证明安全和达到目标的。这里,安全性意味着策略不能将系统的状态驱动到任何不安全的区域,而目标达成要求受控系统的轨迹渐近收敛到目标区域(稳定性的推广)。我们通过共同学习两个额外的证书函数:一个障碍函数,保证安全性和一个开发的Lyapunov函数,以满足目标达成的要求,这两个都是由神经网络表示的安全和目标达成的政策。我们展示了该方法的有效性,学习安全和达到目标的政策,各种系统,包括cartums,推车杆,和无人机。
2020-06-15 cs.LG cs.SY eess.SY
Control Barrier Function Meets Interval Analysis: Safety-Critical Control with Measurement and Actuation Uncertainties
本文提出了一个框架,设计可证明安全的反馈控制器的采样数据控制仿射系统的测量和驱动的不确定性。基于非线性函数的区间Taylor模型,提出了保证采样系统安全集前向不变性的采样控制障碍函数(CBF)条件。可达集过逼近和Lasserre的多项式优化的层次被用来寻找采样数据CBF条件下的边际项。分别针对相对度为1和相对度较高的CBF,给出了存在测量和驱动不确定性时系统安全控制的充分条件。通过两个数值例子和一个实验例子说明了所提出的方法的有效性,该实验例子实现了Crazyflie四轴飞行器上的实时控制器。
2021-10-03 cs.SY eess.SY math.OC
Safe Control Design through Risk-Tunable Control Barrier Functions
本文针对非线性系统在动力学和环境不确定下的安全控制问题,提出基于不确定控制障碍函数和场景机会约束优化的风险可调设计,可证明满足概率风险界限,并在四旋翼避障导航仿真中验证。
2023-09-19 cs.SY eess.SY math.OC
Runtime Safety Assurance for Learning-enabled Control of Autonomous Driving Vehicles
Southern University of Science and Technology(南方科技大学);Research Institute for Trustworthy Autonomous Systems(可信自主系统研究院)
利用基于机器学习的控制器为自动驾驶汽车(AV)系统提供安全保障仍然是一个具有挑战性的问题。在这项工作中,我们提出了Simplex-Drive,这是一个框架,可以实现自动驾驶汽车的机器学习控制器的运行时安全保证。所提出的Simplex驱动器包括一个未经验证的基于深度强化学习(DRL)的高级控制器(AC),在复杂场景中实现理想的性能,一个基于速度障碍(VO)的基线安全控制器(BC),具有可证明的安全保证,以及一个经过验证的模式管理单元,监控运行状态,并根据安全相关条件在AC和BC之间切换控制权限。我们提供了一个形式化的正确性证明的Simplex驱动器,并在密集的交通场景中进行换道的案例研究。仿真实验结果表明,即使日间行车限制策略可能导致偏离安全状态,单纯形驱动器也能在不牺牲控制性能的情况下始终确保运行安全。
2021-09-28 cs.RO cs.SY eess.SY
Can't Touch This: Real-Time, Safe Motion Planning and Control for Manipulators Under Uncertainty
Robotics Institute, University of Michigan(密歇根大学机器人研究所);Agility Robotics;Mechanical Engineering, Georgia Institute of Technology(佐治亚理工学院机械工程系)
提出ARMOUR框架,通过有界误差鲁棒控制、递归Newton-Euler输入计算和扫掠体积过近似,实现不确定性下机械臂可证明安全的实时运动规划与控制。
2023-11-01 cs.RO cs.SY eess.SY
Formal Verification of Obstacle Avoidance and Navigation of Ground Robots
Computer Science Department, Carnegie Mellon University(卡内基梅隆大学计算机科学系);INRIA(法国国家信息与自动化研究所);Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院)
本文研究了移动机器人在动态环境中安全性的核心问题,通过形式化验证方法验证了控制器在回避静态和移动障碍物时的安全性、被动安全性、主动友好安全性及被动方向安全性,并证明了在传感器不确定性和执行器扰动下仍能保证安全性的结论。
2019-06-18 cs.LO cs.RO cs.SY