A Nonlinear Car-following Controller Design Inspired By Human-driving Behaviors to Increase Comfort and Enhance Safety
本文研究了车辆跟驰问题，提出了一种综合考虑驾驶舒适性、安全性、稳态响应和瞬态响应的非线性控制器。该控制器是根据汽车工业对低成本、快速响应、提高舒适性、增强安全性和提高可扩展性的要求而设计的。详细提供了设计见解和直觉。对闭环系统的对象稳定性、串稳定性和跟踪性能进行了理论分析。为控制参数的选择提供了条件和指导。进行了全面的仿真，以证明所提出的控制器在不同的驾驶场景的有效性。
2022-05-04 cs.SY eess.SY
Safety-Critical Adaptive Control with Nonlinear Reference Model Systems
针对不确定非线性系统，提出了一种模型参考自适应控制结构，以达到预定的性能保证。具体而言，一般的非线性参考模型系统被认为是捕捉一个理想的和安全的系统行为。一个自适应控制架构，然后提出了抑制系统的不确定性的影响，没有任何先验知识的幅度和速率上界。更重要的是，所提出的控制架构强制系统状态轨迹演变在用户指定的距离内的参考系统轨迹，满足安全约束。这消除了在模型参考自适应控制中通常需要的自适应速率的自组织调整过程以确保安全性。所提出的控制架构的功效也证明了通过一个说明性的数值例子。
2020-04-13 cs.SY eess.SY
Constructive Safety Control
本文针对受多重状态约束的非线性级联系统，提出一种构造性安全控制方法，通过统一安全与稳定性刻画、重塑QCQP可行集及改进非线性小增益综合，实现了逐步构造的虚拟控制律设计，并在VTOL飞行器实验中验证了其有效性。
2024-06-03 cs.SY eess.SY
Tunable Input-to-State Safety with Input Constraints
KTH Royal Institute of Technology（皇家理工学院）；Shanghai Jiao Tong University（上海交通大学）
本文提出一种整合输入约束的可调输入到状态安全框架，通过几何方法和支撑函数推导可验证证书，确保输入兼容性和递归可行性。
2026-03-08 cs.SY eess.SY
Neural Koopman Control Barrier Functions for Safety-Critical Control of Unknown Nonlinear Systems
研究了动态未知的非线性系统的安全控制器的设计问题，利用控制障碍函数（CBF）设计了安全控制器。我们利用Koopman算子理论（KOT）将（未知）非线性系统与高维双线性系统相关联，并提出了一个数据驱动的学习框架，该框架使用学习器和证伪器同时学习基于Koopman算子的双线性系统和相应的CBF。我们证明了后一个双线性系统的学习CBF也是一个有效的CBF未知的非线性系统之间的$\ell^2$ -范数误差界的特点。我们表明，这种错误可以部分调整，通过使用Lipschitz常数的Koopman为基础的观测。CBF然后被用来制定一个二次规划来计算输入，保证未知的非线性系统的安全。数值模拟验证了我们的方法。
2022-09-16 cs.SY eess.SY
Secondary Safety Control for Systems with Sector Bounded Nonlinearities [Extended Version]
针对扇区有界非线性系统在执行器和传感器攻击下的安全问题，基于不变集、障碍证书等理论推导安全验证条件，利用无攻击传感器子集设计二次控制器，通过LMI求解并经数值仿真验证。
2025-04-14 cs.SY eess.SY
Observer-Based Safety Monitoring of Nonlinear Dynamical Systems with Neural Networks via Quadratic Constraint Approach
本文针对含神经网络组件的非线性动态系统，提出基于区间观测器的安全监测方法，利用全局扇区二次约束抽象激活函数，结合 Lyapunov 理论将设计转化为规划可行性问题，并通过横向车辆控制仿真验证了有效性。
2024-11-15 cs.SY eess.SY
Robust Time-Varying Control Barrier Functions with Sector-Bounded Nonlinearities
TU Dresden（德累斯顿工业大学）；University of Michigan, Ann Arbor（密歇根大学安娜堡分校）
本文提出一种鲁棒时变控制屏障函数，通过二次约束保证非线性输入的安全性，定义安全过滤器以最小化控制器命令修改，并在航天器对接中验证其有效性。
2026-04-30 cs.SY eess.SY
Robust Learning of Nonlinear Dynamical Systems with Safety and Stability Properties
本文提出了一种鲁棒参数学习方法，用于从数据中识别非线性动力系统，同时满足安全性和稳定性约束的演示学习（LfD）方法的背景下。极端学习机（ELM）是用来近似的系统模型，其参数学习的安全性和稳定性的约束条件下，使用零障碍和基于李雅普诺夫稳定性分析模型的不确定性和外部干扰的存在。本文提出了一种考虑ELM函数重构误差的约束二次规划方法来估计ELM参数。此外，鲁棒性引理，证明了学习系统模型的安全性和稳定性存在的干扰。该方法是在模拟测试。轨迹重建精度的方法进行比较，对国家的最先进的LfD方法，使用扫描误差区域（SEA）度量。学习模型的鲁棒性进行Monte Carlo测试。所提出的方法是在Baxter机器人上实现的拾取和放置任务的机器人被约束到一个椭球形的安全区域。
2022-12-09 cs.SY eess.SY
From a Single Trajectory to Safety Controller Synthesis of Discrete-Time Nonlinear Polynomial Systems
针对模型未知的离散时间非线性多项式系统，提出基于单条轨迹数据的平方和优化方法，无需辨识系统即可直接设计控制屏障证书与安全控制器，经两个物理案例验证了有效性。
2024-09-16 cs.SY eess.SY
Analytical Construction of CBF-Based Safety Filters for Simultaneous State and Input Constraints (Extended Version)
本文针对受输入限制的链式积分器系统，推导出一种解析且易实现的安全滤波器，能在同时满足状态与输入约束的前提下确保正向不变性，并扩展至多输入多输出系统，以牺牲部分保守性换取任意阶数下的解析递归解。
2024-12-22 cs.SY eess.SY
Universal Barrier Functions for Safety and Stability of Constrained Nonlinear Systems
The University of Texas at Austin（德克萨斯大学奥斯汀分校）
本文提出通用障碍函数（UBF）以编码稳定性与安全性，并构建UBF-QP生成受输入约束的安全稳定控制输入，证明了其可行性及在温和条件下UBF的存在性，且可扩展至高相对阶系统。
2025-11-02 cs.SY eess.SY
Enhancing Vehicle Platooning Safety via Control Node Placement and Sizing under State and Input Bounds
本文针对车辆编队易受网络攻击的问题，提出两阶段执行器布置与饱和方法，在状态和输入约束下优化关键控制节点及其输入边界，以兼顾安全性与防御效率。
2025-03-11 cs.SY eess.SY
Robustness Analysis of Systems' Safety through a New Notion of Input-to-State Safety
University of Groningen（格罗宁根大学）；Telkom University（Telkom 大学）
本文提出了一种新的鲁棒性概念，用于验证系统对外部扰动信号的安全性。该输入到状态安全（ISSf）概念允许在存在扰动的情况下验证系统的安全性，类似于用于分析系统稳定性输入到状态稳定性（ISS）概念。
2017-02-06 cs.SY eess.SY math.OC
Robust Predictive Output-Feedback Safety Filter for Uncertain Nonlinear Control Systems
在现实世界的应用中，我们经常需要可靠的决策下动态不确定性使用嘈杂的高维传感器数据。最近，我们已经看到越来越多的基于学习的控制算法，以解决动态不确定性下的决策的挑战。这些算法通常对潜在的未知动态做出假设，因此可以提供安全保证。这对于其他广泛使用的基于学习的决策算法（如强化学习）更具挑战性。此外，大多数现有的方法假设访问状态测量，这在实践中可能是限制性的。在本文中，安全滤波器和鲁棒输出反馈控制的文献的启发，我们提出了一个鲁棒预测输出反馈安全滤波器（RPOF-SF）框架，提供安全认证的任意控制器应用于不确定的非线性控制系统。建议的RPOF-SF结合了一个鲁棒稳定的观测器，估计系统状态从嘈杂的测量数据和一个预测的安全过滤器，使任意的控制器安全（可能）最小限度地修改控制器的输入，以保证安全。我们在理论上表明，建议的RPOF-SF保证约束的满意度，尽管施加到系统的干扰。我们证明了所提出的RPOF-SF算法使用不确定的质量弹簧阻尼器系统的有效性。
2022-12-17 cs.SY eess.SY
Safety Embedded Control of Nonlinear Systems via Barrier States
在许多安全关键的控制系统中，可能出现相反的安全限制和控制性能目标。面对这样的冲突，这封信提出了一种新的方法，嵌入到稳定的控制系统的安全。该开发通过在优化中使用的障碍函数，通过构建嵌入在控制系统模型中的障碍状态（BaS）来加强安全性。因此，只要闭环系统的感兴趣的平衡点是渐近稳定的，则保证生成的轨迹是安全的。因此，基本上避免了控制目标和安全约束之间的冲突。为了显示所提出的技术的有效性，我们采用简单的极点配置方法来设计安全的线性控制的障碍状态。随后采用非线性最优控制，以满足安全性，稳定性和性能目标，通过解决相关的Hamilton-Jacobi-Bellman（HJB），最大限度地减少成本功能，可以涉及的BaS。在此之后，我们进一步利用障碍状态的最优控制，在一个不稳定的，受约束的第二维摆上的推车模型，希望避免低速区域，系统可能会表现出一些可控性损失和两个移动机器人安全地到达对面的目标与障碍的方式。
2021-08-19 cs.SY eess.SY
Safety aware model-based reinforcement learning for optimal control of a class of output-feedback nonlinear systems
安全地学习和执行最优控制策略的能力对于实现复杂的自主性是至关重要的，特别是在任务重启不可用和/或系统是安全关键的情况下。安全要求通常用状态和/或控制约束来表示。诸如障碍变换和控制障碍函数的方法已经成功地与基于模型的强化学习结合用于在状态约束下的系统中的安全学习，以学习最优控制策略。然而，现有的基于障碍的安全学习方法依赖于完整的状态反馈。针对一类状态部分可观测的安全关键系统，提出了一种基于输出反馈安全模型的强化学习方法，该方法利用一种新的动态状态估计器实现同时学习和控制.
2021-10-01 cs.SY eess.SY
Statistical Guarantees in Data-Driven Nonlinear Control: Conformal Robustness for Stability and Safety
Department of Aerospace Engineering, University of Illinois Urbana-Champaign（伊利诺伊大学厄巴纳-香槟分校航空航天工程系）
提出一种与真实动力学无关的统计严谨框架，通过保形鲁棒性概念，利用保形预测量化模型预测不确定性，构建保形鲁棒控制李雅普诺夫函数和屏障函数，为全数据驱动非线性控制提供有限时域指数稳定性和安全性的统计保证。
2026-06-01 cs.SY eess.SY
Stochastic Safety-critical Control Compensating Safety Probability for Marine Vessel Tracking
Kagoshima University（鹿儿岛大学）；Okayama University（冈山大学）；DENSO IT Laboratory（电装IT实验室）
本文提出非线性船舶运动模型并采用线性化方法控制，利用随机零化控制屏障函数确保概率安全，通过仿真验证有效性。
2026-03-30 cs.SY eess.SY
Computing Safety Margins of Parameterized Nonlinear Systems for Vulnerability Assessment via Trajectory Sensitivities
本研究针对参数化非线性系统安全裕度计算难题，提出基于轨迹灵敏度的安全裕度新表征，推导了相关算法的适定性与收敛性保证，提升了算法普适性，可用于系统脆弱性评估。
2025-01-13 cs.SY eess.SY
PRoTECT: Parallelized Construction of Safety Barrier Certificates for Nonlinear Polynomial Systems
本文介绍开源 Python 工具 PRoTECT，利用 SOS 优化和跨屏障次数并行，为四类非线性多项式动力系统自动搜索多项式安全屏障证书。
2025-06-11 cs.SY eess.SY
Output Feedback Backup Control Barrier Functions: Safety Guarantees Under Input Bounds and State Estimation Error
California Institute of Technology（加州理工学院）；Wichita State University（威奇托州立大学）；Georgia Institute of Technology（佐治亚理工学院）；Texas A&M University（德克萨斯农工大学）
本文提出输出反馈备份控制屏障函数，以应对状态估计误差和输入限制下的安全问题，证明了在存在状态不确定性时，总存在可行控制输入保证真实状态安全。
2026-04-21 cs.SY eess.SY
A Physics-Informed Scenario Approach with Data Mitigation for Safety Verification of Nonlinear Systems
Tampere University（坦佩雷大学）；Newcastle University（纽卡斯尔大学）
本文提出一种结合物理信息的场景方法，通过屏障证书确保非线性系统轨迹在无限时间范围内保持安全。该方法通过选择物理模型与观测数据接近的数据样本，减少冗余样本和所需数据集规模。
2026-05-15 cs.SY eess.SY
Learning Robust Safety Controllers for Uncertain Input-Affine Polynomial Systems
本文针对未知动态的输入仿射多项式系统，提出基于持续激励数据的直接数据驱动方法，通过平方和优化综合鲁棒控制屏障证书与鲁棒安全控制器，无需显式建模即可在无限时间范围内保证扰动下的安全性。
2025-07-20 cs.SY eess.SY
Data-Driven Dynamic Controller Synthesis for Discrete-Time General Nonlinear Systems
本文针对模型未知且存在输入约束的离散时间一般非线性系统，提出一种基于单条轨迹数据同时学习控制屏障证书和动态控制器的数据驱动方法，将控制器设计转化为易于求解的数据依赖线性矩阵不等式，并通过非线性与高维案例验证其有效性。
2025-03-11 cs.SY eess.SY
Data-Driven Safety Filter: An Input-Output Perspective
针对学习控制缺乏安全保证的问题，本文提出基于行为系统理论的数据驱动安全滤波器，仅需离线轨迹数据即可将不安全输入转为安全输入，无需模型和状态估计，并在仿真中验证了有效性。
2023-09-01 cs.SY eess.SY
A Control Approach for Nonlinear Stochastic State Uncertain Systems with Probabilistic Safety Guarantees
本文针对部分状态观测的随机系统，提出一种先基于确定性模型生成控制策略、再通过重要性采样随机搜索优化控制序列的方法，实现概率安全保证且计算复杂度与状态维度无关。
2023-09-15 cs.SY eess.SY
Secondary Controller Design for the Safety of Nonlinear Systems via Sum-of-Squares Programming
针对对抗信号下的非线性多项式控制系统，提出基于 Lyapunov 可达性与 SOS 规划的安全验证条件，并在安全无法保证时综合多项式次级控制器，仿真验证了有效性。
2023-04-20 cs.SY eess.SY math.OC
LSTM Neural Networks: Input to State Stability and Probabilistic Safety Verification
本文的目标是从动力系统的角度分析长短期记忆（LSTM）神经网络。描述LSTM演化的经典递归方程可以在状态空间形式中重铸，从而产生时不变的非线性动力系统。给出了该类系统输入-状态稳定性的充分条件。ISS属性需要LSTM的输出可达集的有界性。根据这一结果，一个新的方法来验证网络的安全性，基于场景的方法，设计。所提出的方法最终测试的pH值中和过程。
2020-05-28 cs.SY eess.SY
Generalizations of Backup Control Barrier Functions: Expansion and Adaptation for Input-Bounded Safety-Critical Control
California Institute of Technology（加州理工学院）；Illinois Institute of Technology（伊利诺伊理工大学）；Wichita State University（威奇托州立大学）
本文扩展了备份控制屏障函数框架，通过分离扩展控制器与验证备份控制器，实现更广泛的扩展策略，同时保持形式安全保证，并扩展到参数化控制器家族以实现在线适应。
2026-03-19 cs.SY eess.SY
Adaptive Safety-Critical Control for a Class of Nonlinear Systems with Parametric Uncertainties: A Control Barrier Function Approach
针对含参数不确定性的非线性系统安全控制问题，提出结合控制障碍函数与自适应律的方法，可无在线参数估计验证容许控制集非空，还通过数据驱动算法优化参数边界，经仿真验证有效。
2024-04-13 cs.SY eess.SY
Composition of Control Barrier Functions With Differing Relative Degrees for Safety Under Input Constraints
针对输入约束下的安全控制问题，提出用软最小值复合不同相对阶的安全与输入约束CBF，并通过实时优化保证状态处于安全集内。
2024-03-15 cs.SY eess.SY
Safety-Aware Performance Boosting for Constrained Nonlinear Systems
Ecole Polytechnique Fédérale de Lausanne（洛桑联邦理工学院）；IMT School for Advanced Studies, Lucca（卢卡高等研究院）；University of Oxford（牛津大学）
本文提出一种结合性能提升控制器和预测安全过滤器的控制架构，通过参数化方法提升系统稳定性与安全性，扩展了安全轨迹集。
2026-03-19 cs.SY eess.SY
Robust Adaptive Control Barrier Functions: An Adaptive & Data-Driven Approach to Safety (Extended Version)
提出了一种新的结构参数不确定性约束非线性系统的控制框架。通过在线参数自适应和数据驱动的模型估计，实现了安全集的前向不变性。新的自适应数据驱动的安全范例与最近的自适应控制算法合并，用于名义上在闭环中收缩的系统。这种统一比其他安全控制器更普遍，因为闭环收缩不要求系统可逆或处于特定形式。此外，该方法比非线性模型预测控制更便宜，因为它不需要完整的期望轨迹，而是仅需要期望的终端状态。以具有不确定非线性气动力的飞机俯仰动力学为例说明了该方法。
2020-05-28 cs.SY eess.SY
A Learning- and Scenario-based MPC Design for Nonlinear Systems in LPV Framework with Safety and Stability Guarantees
本文提出一种基于学习和场景的MPC设计方法，用于LPV框架下的非线性系统，通过BNN学习带不确定性的模型并生成场景，结合参数相关终端设计，保证安全性与稳定性。
2023-05-06 cs.SY eess.SY
Braking within Barriers: Constructive Safety-Critical Control for Input-Constrained Vehicles via the Backup Set Method
Wichita State University（威奇托州立大学）
本文提出基于备用集方法的安全关键控制框架，在输入约束下合成制动控制器，防止车辆在非对称路面制动时打滑并最小化停车距离，通过反馈线性化和李雅普诺夫方程构造备用集-控制器对，并在四轮模型上验证。
2025-10-17 cs.SY eess.SY
Safety Verification of Output Feedback Controllers for Nonlinear Systems
Department of Computer Science, University of Oxford（牛津大学计算机科学系）
本文针对可线性化非线性系统，利用高增益观测器设计安全控制器，通过推导轨迹距离界证明其收敛性，并构造最大安全不变集以保证安全性。
2016-03-21 cs.SY eess.SY math.OC
Safe Control for Nonlinear Systems with Stochastic Uncertainty via Risk Control Barrier Functions
保证机器人和自主系统在现实环境中的安全性是一项具有挑战性的任务，需要减轻随机不确定性。近年来，控制障碍函数已被广泛用于加强安全相关的集合论性质，如前向不变性和可达性，非线性动力系统。在本文中，我们扩展了这个丰富的框架，非线性离散时间系统的随机不确定性，并提出了一个框架，以确保风险敏感的安全一致的风险措施。为此，我们引入风险控制障碍函数（RCBFs），这是障碍函数和动态的，连贯的风险措施的组合。我们表明，这种障碍函数的存在意味着在一个连贯的风险意义上的不变性。此外，我们制定了基于有限时间RCBF的条件，以保证有限时间的可达性的期望设置在一致的风险。风险敏感的安全性和有限时间可达的集合组成的布尔复合多RCBF的条件也制定。我们所提出的方法的有效性，通过其应用到一个车杆系统中的安全关键的情况。
2022-03-29 cs.SY eess.SY
A Closed-Form Control for Safety Under Input Constraints Using a Composition of Control Barrier Functions
本文提出利用软最小R-CBF组合多个不同相对阶的安全与输入CBF，并借助控制动力学构造闭式最优控制，以同时保证安全性和输入约束。
2024-07-05 cs.SY eess.SY
Safe Sliding Mode Controllers for Nonlinear Uncertain Systems
本文针对非线性不确定系统提出一种带外防护回路的滑模安全关键控制器，利用增广状态和控制障碍函数设计防护信号，在保证稳定性的同时满足安全约束，并给出闭式解避免实时求解二次规划。
2024-06-06 cs.SY eess.SY
Decentralized CBF-based Safety Filters for Collision Avoidance of Cooperative Missile Systems with Input Constraints
German Aerospace Center (DLR)（德国航空航天中心）
针对多飞行器拦截场景，提出基于鲁棒控制屏障函数的去中心化安全滤波器，通过事件触发和松弛变量优化实现碰撞避免，兼顾计算效率与可扩展性。
2026-06-19 cs.SY eess.SY
Probabilistic Guarantees for Nonlinear Safety-Critical Optimal Control
California Institute of Technology（加州理工学院）
利用黑盒风险感知验证的最新发展，我们提供了三种算法，这些算法可以在（1）解决方案的最优性，（2）递归可行性和（3）一般非线性安全临界有限时间最优控制器的最大控制器运行时间上生成概率保证。这些方法放弃了典型理论保证所需的通常（可能）限制性假设，例如非线性模型预测控制中递归可行性的终端集计算，或最优控制器的凸化以确保最优性。此外，我们表明，这些方法可以直接应用于硬件系统，以产生各自的系统上的控制器保证。
2023-03-11 cs.RO cs.SY eess.SY
Enhancing Feasibility and Safety of Nonlinear Model Predictive Control with Discrete-Time Control Barrier Functions
UC Berkeley（加州大学伯克利分校）
安全性是机器人技术的基本问题之一。近年来，离散时间非线性动力系统的一步或多步最优控制问题被提出，利用控制李雅普诺夫函数（CLF）来保证系统的跟踪稳定性，同时利用控制障碍函数（CBF）来保证系统的安全性.这些现有方法的局限性主要在于可行性和安全性。在现有的方法中，优化的可行性和系统的安全性不能在理论上同时提高。在本文中，我们提出了两个公式，统一CLFs和CBFs的框架下的非线性模型预测控制（NMPC）。在所提出的公式中，安全准则通常被制定为CBF约束，并且稳定性性能通过终端代价函数或CLF约束来确保。在CBF约束中引入松弛变量，通过松弛技术解决了可行性和安全性之间的矛盾，从而使CBF约束得到增强。理论分析和数值计算结果验证了所提方法的可行性和安全性。
2021-10-01 cs.RO cs.SY eess.SY
A predictive safety filter for learning-based control of constrained nonlinear dynamical systems
Institute for Dynamic Systems and Control, ETH Zurich, Zurich, Switzerland（动态系统与控制研究所，苏黎世联邦理工学院，瑞士苏黎世）
本文提出了一种预测安全过滤器，用于基于学习的控制中处理物理限制下的安全问题，通过将约束动力学系统转换为无约束安全系统，使任何强化学习算法都能直接应用。
2021-05-17 cs.LG cs.SY eess.SY
Sampling-Based Safety Filter with Probabilistic Restrictiveness Guarantee
School of Electrical Engineering, Korea Advanced Institute of Science and Technology (KAIST)（韩国科学技术院电气工程学院）
本文提出一种模块化采样安全过滤器，通过Stein变分模型预测控制生成控制序列样本，以保证任意名义控制器的安全性，并在复杂非凸环境中有效捕捉多模安全区域。
2026-04-24 cs.SY eess.SY
Nonlinear Optimal Control of DC Microgrids with Safety and Stability Guarantees
University of California, Los Angeles（加州大学洛杉矶分校）
本文提出一种安全关键控制器，通过整合控制李雅普诺夫函数和控制屏障函数，以二次规划形式实现直流微电网的安全稳定控制，实验表明其在安全性和稳定性方面优于传统滴落控制。
2025-06-03 cs.SY eess.SY
LQG Reference Tracking with Safety and Reachability Guarantees under Unknown False Data Injection Attacks
我们研究了一个线性二次高斯（LQG）跟踪问题的安全性和可达性的限制存在的对手谁安装的FDI攻击一组未知的传感器。对于每个可能的受损传感器集合，我们维护一个状态估计器，不考虑该集合中的传感器，并基于此估计计算每次的最优LQG控制输入。我们提出了一种控制策略，约束控制输入位于一个固定的距离内的最优控制输入对应于每个状态估计。控制输入在每个时间步通过求解二次约束二次规划（QCQP）。我们证明了我们的政策可以实现一个理想的概率的安全性和可达性使用屏障证书的方法。我们的控制策略是通过数值案例研究进行评估。
2022-07-11 cs.SY eess.SY
OVERT: An Algorithm for Safety Verification of Neural Network Control Policies for Nonlinear Systems
Stanford University（斯坦福大学）
深度学习方法可用于生成控制策略，但证明其安全性具有挑战性。由此产生的网络是非线性的，并且通常非常大。为了应对这一挑战，我们提出了OVERT：一个健全的算法的安全性验证的非线性离散时间闭环动态系统的神经网络控制策略。OVERT的新颖之处在于将经典形式化方法文献中的思想与较新的神经网络验证文献中的思想相结合。OVERT的核心概念是抽象非线性函数，并给出一组最优紧的分段线性边界。这种分段线性边界被设计用于无缝集成到ReLU神经网络验证工具中。OVERT可以通过计算可达集或直接求解可行性查询来证明有界时间安全性。我们展示了几个经典基准测试示例的安全验证的各种示例。OVERT在计算时间和可达集的紧密性方面都优于现有的方法。
2021-08-03 cs.LG cs.LO cs.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
Balanced control between performance and saturation for constrained nonlinear systems
研究一类受约束非线性系统的性能与饱和平衡控制问题，包括平衡指令滤波反推（BCFB）和平衡性能控制（BPC）两个分支。为了平衡性能约束和饱和约束之间的相互联系和冲突，定义了一个性能安全评估（PSE）函数，在饱和量和滤波误差等失稳影响变量（DEV）的作用下评估系统的安全性，充分利用DEV的累积效应，补偿系统的性能恢复。具体而言，对于安全区域中的DEV存在一定程度的容忍度，并且当系统的评估变得危险时，补偿操作起作用。所提出的方法的优点是在数值模拟中示出。
2022-05-10 cs.SY eess.SY
Prediction-Based Control Barrier Functions for Input-Constrained Safety Critical Systems
针对输入受限安全关键系统，提出基于预测的控制障碍函数（PB-CBF），通过引入预测项提供抵消CBF变化率的裕度，确保有界输入下的安全性，并在两个数值示例（含飞机失速预防）中验证其优于基本CBF。
2024-12-17 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
When are safety filters safe? On minimum phase conditions of control barrier functions
本文研究了控制障碍函数（CBF）安全滤波器可能导致系统内部状态发散的问题，受输入-输出线性化启发，提出并验证了一组新的CBF最小相位条件以确保完整系统状态有界。
2025-08-11 cs.SY eess.SY
Safe Output-Feedback Adaptive Optimal Control of Input-Constrained Control-Affine Nonlinear Systems
University of Florida（佛罗里达大学）；Air Force Research Laboratory（空军研究实验室）
针对部分可观测系统，提出一种在线安全输出反馈自适应最优控制框架，结合LMI观测器与近似动态规划，通过重定心鲁棒Lyapunov类障碍函数保证安全性和稳定性。
2026-06-18 cs.SY eess.SY
