Dynamic Regret Analysis of Safe Distributed Online Optimization for Convex and Non-convex Problems
Northeastern University（东北大学）；Texas A&M University（得克萨斯农工大学）
本文讨论了一组未知的线性安全约束的安全分布式在线优化。代理网络的目标是共同最小化一个全球性的，时变的功能，这是只有部分观察到每个单独的代理。因此，代理人必须从事本地通信，以产生一个安全的行动序列与最佳的最小化序列在事后的竞争力，和两个序列之间的差距是通过量化的动态遗憾。我们提出了分布式安全在线梯度下降（D-Safe-OGD）与探索阶段，其中所有的代理估计约束参数协作建立估计可行集，确保在优化阶段的行动选择的安全性。我们证明了对于凸函数，D-Safe-OGD实现了$O(T^{2/3} \sqrt{\log T} + T^{1/3}C_T^*)$的动态遗憾界，其中$C_T^*$表示最佳极小序列的路径长度。我们进一步证明了$O(T^{2/3} \sqrt{\log T} + T^{2/3}C_T^*)$对某些非凸问题的动态遗憾界，这建立了一个安全的分布式算法在非凸设置的第一个动态遗憾界。
2023-02-23 cs.LG cs.SY eess.SY
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
Towards safe control parameter tuning in distributed multi-agent systems
Aalto University（阿尔托大学）；Uppsala University（乌普萨拉大学）
本文针对分布式多智能体安全关键系统，提出基于安全贝叶斯优化和时空核的控制参数整定方法，将全局问题转化为时变局部问题，在仿真中验证了有效性。
2025-08-19 cs.LG cs.SY eess.SY
Distributed Optimal Output Consensus Control of Heterogeneous Multi-Agent Systems with Safety Constraints
本文提出一种动态分布式最优安全一致性协议，通过决策层扩展约束集投影优化与控制层收缩安全集参考跟踪相结合，在无需目标或梯度先验知识且仅需传输零点条件的温和假设下，同时实现异构多智能体系统的安全约束与输出最优一致性。
2024-01-11 math.OC
Unbounded-Time Safety Verification of Stochastic Differential Dynamics
在本文中，我们提出了一种方法，用于界定概率的随机微分方程系统违反安全规格在无限的时间范围。随机微分方程是随机过程的数学模型，它捕捉状态如何随时间连续演化。它们被广泛用于许多应用中，例如工程系统（例如，对行人如何在十字路口移动进行建模），计算金融（例如，建模股票期权价格），和生态过程（例如，人口随时间变化）。以前的安全核查问题已经解决了有限和无限的时间范围内使用不同的方法。本文中的方法试图通过首先确定一个有限的时间界限，连接这两种观点，超过这个时间界限，安全违规的概率可以由一个可以忽略不计的小数字来界定。这是通过发现一个指数屏障证书来实现的，该证书证明了随着时间的推移，安全违规的概率呈指数收敛。一旦找到有限的时间间隔，有限时间验证方法被用来限制在这个时间间隔的违规概率。我们展示了我们的方法在一系列有趣的例子从文献中，其中我们的方法可以用来找到严格的边界上的违反概率的安全性能在无限的时间范围。
2020-06-02 math.DS math.OC
Distributed Safe Resource Allocation using Barrier Functions
资源分配在智能电网、通信网络和城市交通系统等许多网络系统中起着核心作用。在这些系统中，许多约束具有物理意义，并且具有可行的分配通常对于避免系统崩溃至关重要。因此，具有渐近可行性保证的算法通常是不够的，因为运行无限轮的算法是不切实际的。提出了一种基于障碍函数的分布式可行资源分配方法。在DFM中，每一个策略都是可行的，因此可以安全地实现。我们证明了在温和的条件下，DFM收敛到最优解的任意小邻域。数值实验证明了DFM的竞争性能。
2022-07-13 math.OC
Safe Optimal Control under Parametric Uncertainties
Symbio Robotics（Symbio机器人公司）；Georgia Tech（佐治亚理工学院）
我们使用一种新的正则化，允许权衡最优性与安全性参数不确定性下的安全最优路径规划的问题。所提出的正则化器利用了这样的概念，即碰撞可以被建模为最优控制设置中的约束违反，以便产生具有降低的碰撞风险的开环轨迹。约束违反的风险进行评估，使用状态相关的相关函数和一阶变化的约束函数相对于参数变化。该方法是通用的，可以适用于任何最优控制制定，处理参数不确定性下的约束。利用完整机器人避开多个速度不确定的动态障碍物的仿真结果验证了该方法的有效性。最后，我们介绍了汽车与训练的问题，强调的依赖性，由此产生的风险规避行为的约束函数的形式，用于导出正则化。
2020-07-21 cs.RO cs.SY eess.SY
Risk-Aware Safe Reinforcement Learning for Control of Stochastic Linear Systems
Department of Mechanical Engineering, Michigan State University（机械工程系，密歇根州立大学）
针对随机离散线性系统，本文提出协同学习风险信息安全控制器与RL控制器并通过数据驱动插值整合，以有限数据实现高置信度安全、降低违例方差并保持性能。
2025-05-14 cs.LG cs.RO cs.SY
Regret and Cumulative Constraint Violation Analysis for Distributed Online Constrained Convex Optimization
KTH Royal Institute of Technology（瑞典皇家理工学院）；Digital Futures（数字未来）；Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems（上海自主智能无人系统科学中心）；Northeastern University（东北大学）；Nanyang Technological University（南洋理工大学）
研究了智能体网络上的分布式在线时变约束凸优化问题。这是一个序列决策问题的两个序列的任意变化的凸损失和约束函数。在每一轮，每个代理从决策集中选择一个决策，然后只有一部分的损失函数和约束函数的坐标块在这一轮是私人透露给这个代理。网络的目标是最小化随着时间的推移而积累的网络范围内的损失。提出了完全信息和强盗反馈两种分布式在线算法。该算法分析了动态和静态网络遗憾界，并采用网络累积约束违反来度量约束违反，排除了严格可行约束可以补偿违反约束影响的情况.特别是，我们表明，所提出的算法实现$\mathcal{O}(T^{\max\{κ,1-κ\}})$静态网络遗憾和$\mathcal{O}(T^{1-κ/2})$网络累积约束违反，其中$T$是时间范围和$κ\in(0,1)$是一个用户定义的权衡参数。此外，如果损失函数是强凸的，则静态网络遗憾界可以约化为$\mathcal{O}(T^κ)$ .最后，通过数值模拟验证了理论结果的有效性。
2022-12-27 cs.LG math.OC
Distributed Online Convex Optimization with Adversarial Constraints: Reduced Cumulative Constraint Violation Bounds under Slater's Condition
Massachusetts Institute of Technology（麻省理工学院）；Tongji University（同济大学）；Shanghai Research Institute for Intelligent Autonomous Systems（上海智能自主系统研究院）；Northeastern University（东北大学）；Nanyang Technological University（南洋理工大学）；KTH Royal Institute of Technology（瑞典皇家理工学院）；Digital Futures（数字未来）
针对对抗性约束下的分布式在线凸优化，本文提出协作在线算法，并在Slater条件与强凸性下显著降低网络遗憾及累积约束违反界。
2023-05-31 cs.LG math.OC
Distributed Barrier Certificates for Safe Operation of Inverter-Based Microgrids
逆变器接口的微电网不同于传统的电力系统，因为它们缺乏惯性。电压和频率动态之间的时间尺度分离消失，使得更快的时间尺度稳定控制律也保证了在瞬变过程中满足电压限制的关键。在这篇文章中，我们应用障碍函数方法来计算分布式有功和无功功率设定点控制法，证明在瞬态过程中的电压限制的满足。使用平方和优化工具，我们提出了这些控制律的算法建设。数值模拟提供了说明所提出的方法。
2019-03-23 math.DS math.OC
Safe Online Convex Optimization with Unknown Linear Safety Constraints
Texas A&M University（德克萨斯农工大学）
研究了安全在线凸优化问题，其中每个时间步的行动必须满足一组线性安全约束。我们的目标是选择一系列的行动，以尽量减少遗憾，而不违反安全约束在任何时间步骤（高概率）。指定线性安全约束的参数对于算法是未知的。该算法只能访问所选动作的约束的噪声观测。我们提出了一种算法，称为{安全在线投影梯度下降}（SO-PGD）算法，以解决这个问题。我们表明，在假设的安全基线行动的可用性，SO-PGD算法实现了遗憾$O(T^{2/3})$。虽然有许多算法的在线凸优化（OCO）的安全约束问题在文献中，他们允许在学习/优化过程中的约束违反，并一直专注于特征的累积约束违反。据我们所知，我们的工作是第一次提供了一个算法与可证明的保证遗憾，而不违反线性安全约束（高概率）在任何时间步。
2021-11-14 cs.LG math.OC
Safe Distributed Generalized Nash Equilibrium Seeking via Control Barrier Functions
University of Toronto（多伦多大学）；University of Notre Dame（圣母大学）
本文针对带耦合约束集的非合作博弈，将控制障碍函数（CBF）引入分布式广义纳什均衡（GNE）寻求动力学设计，验证了安全性与渐近稳定性，扩展至多积分器智能体并经仿真验证。
2026-09-25 math.OC
Safety Verification for Distributed Parameter Systems Using Barrier Functionals
研究了一类由偏微分方程（PDE）描述的分布参数系统的安全性验证问题，检查PDE的解在特定时间点是否满足一组约束的问题。所提出的方法基于将屏障证书扩展到无限维系统。在这方面，我们引入障碍泛函，这是泛函的依赖和自变量。给定一组初始条件和一个不安全集，证明了如果存在这样一个泛函满足两个（积分）不等式，则系统的解不进入不安全集.因此，所提出的方法不需要有限维近似的分布参数系统。此外，对于偏微分方程与多项式数据，我们解决了相关的积分不等式使用半定规划（SDP）的基础上的方法，依赖于二次表示的积分不等式的被积函数。所提出的方法是通过例子说明。
2017-08-09 math.OC
ADMM-Based Safety-Critical Distributed NMPC for Cooperative Transportation by Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）
研究四足机器人协同运输的安全关键型分布式控制框架，核心方法是用ADMM分解优化问题，结合高阶控制障碍函数。相比集中式NMPC，减少求解时间，保持性能，消融研究显示对通信延迟鲁棒，能改善负载跟踪与协调。
2026-07-21 cs.RO math.OC
Passively-Safe and Robust Multi-Agent Optimal Control with Application to Distributed Space Systems
本文提出一种被动安全多智能体最优控制方法，通过将意外事件后的轨迹约束转化为运动方程积分常数的单一函数，并利用参数变分法处理不确定性，在分布式空间系统中实现高效容错的安全保证。
2023-03-17 math.OC
Distributed Online Optimization with Coupled Inequality Constraints over Unbalanced Directed Networks
本文提出DUST算法，解决非平衡有向网络上带耦合约束的分布式在线凸优化，实现次线性动态遗憾和约束违规，并在电动汽车充电仿真中验证优越性。
2023-09-04 math.OC
GCBF+: A Neural Graph Control Barrier Function Framework for Distributed Safe Multi-Agent Control
本文提出GCBF+框架，利用图神经网络参数化图控制屏障函数与分布式策略，实现大规模多智能体系统仅依赖局部信息的安全控制，并在无人机集群及数值实验中显著优于现有方法。
2025-02-07 cs.RO math.OC
Safety-Critical and Distributed Nonlinear Predictive Controllers for Teams of Quadrupedal Robots
Virginia Tech（弗吉尼亚理工大学）；California Institute of Technology（加州理工学院）
针对多四足机器人协同运动的安全保障难题，提出融合CBF与一致性协议的分布式NMPC分层控制框架，经仿真与硬件实验验证，其成功率比传统无CBF约束的NMPC高27.89%。
2025-03-18 cs.RO math.OC
Resilient Distributed Field Estimation
研究了测量攻击下的弹性分布场估计。代理或设备的网络测量大的、空间分布的物理场参数。对手任意操纵一些代理的测量。每个代理的目标是处理从其邻居接收到的测量和信息，以仅估计场的几个特定分量。我们提出了$\mathbf{SAFE}$，饱和自适应字段估计器，一个共识+创新的分布式字段估计器，是弹性的测量攻击。在充分条件下的妥协的测量流，现场和代理的测量之间的物理耦合，和网络通信网络的连通性，$\mathbf{SAFE}$保证每个代理的估计几乎肯定收敛到代理感兴趣的参数的组件的真实值。最后，我们通过数值例子说明了$\mathbf{SAFE}$的性能。
2020-03-26 math.OC
Solving Multi-Agent Safe Optimal Control with Distributed Epigraph Form MARL
MIT（麻省理工学院）；MIT Lincoln Laboratory（麻省理工学院林肯实验室）
针对多机器人安全协作问题，提出基于上镜图形式的分布式MARL算法Def-MARL，实现零约束违反，在仿真和真实四旋翼实验中均优于现有方法。
2025-04-21 cs.AI cs.LG cs.MA
Distributed Online Convex Optimization with Time-Varying Coupled Inequality Constraints
KTH Royal Institute of Technology（KTH皇家理工学院）；Nanyang Technological University（南洋理工大学）
研究了具有时变耦合不等式约束的分布式在线优化问题。全局目标函数由局部凸代价函数和正则化函数组成，耦合约束函数由局部凸函数和构成。提出了一种分布式在线原始-对偶动态镜像下降算法来解决这个问题，该算法的局部代价、正则化和约束函数都是私有的，并且只在每个时隙后才显示。在不假设斯莱特的条件下，我们首先推导出后悔和约束违反边界的算法，并显示它们如何依赖于步长序列，累积的动态变化的比较器序列，代理的数量，和网络的连通性。结果表明，在某些自然递减步长序列下，如果最优序列的累积动态变化也呈次线性增长，则算法达到次线性动态后悔和约束违反.我们还证明了该算法实现次线性静态遗憾和约束违反温和的条件下。假设斯莱特的条件下，我们表明，该算法实现了更小的界限上的约束违反。此外，当目标函数是强凸的时，静态后悔的边界更小。最后，通过数值模拟验证了理论结果的有效性。
2019-06-05 cs.DC cs.LG math.OC
