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
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
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
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
A Closed-Form Dual-Barrier CBF Safety Filter for Holonomic Robots on Incrementally Built Occupancy Grid Maps
Raspberry Pi（树莓派）；PX4；CUAV Nano 7；Raspberry Pi 4B quadrotor（树莓派4B四旋翼无人机）
提出一种闭式双障碍控制障碍函数安全滤波器，通过解析推导占据栅格地图的符号距离场，同时避免已映射障碍物并限制进入未探索区域，实现全向机器人在资源受限平台上的实时安全控制。
2026-05-23 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
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
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
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
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
Enforcing safety for vision-based controllers via Control Barrier Functions and Neural Radiance Fields
Tsinghua University（清华大学）；MIT（麻省理工学院）
为了在复杂的环境中导航，机器人必须越来越多地使用高维视觉反馈（例如图像）进行控制。然而，依赖于高维图像数据来做出控制决策提出了重要的问题;特别是，我们如何证明视觉反馈控制器的安全性？控制障碍函数（CBF）是验证反馈控制器在状态反馈设置中的安全性的有力工具，但是CBF传统上不太适合于视觉反馈控制，这是由于需要预测未来的观测以评估障碍函数。在这项工作中，我们利用神经辐射场（NeRFs）的最新进展来解决这个问题，NeRFs学习3D场景的隐式表示，并可以从以前看不见的相机视角渲染图像，为基于CBF的控制器提供单步视觉预见。这种新颖的组合能够过滤掉不安全的行为，并进行干预以保护安全。我们展示了我们的控制器在实时仿真实验中的效果，它成功地防止机器人采取危险的行动。
2023-02-28 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
A Real-Time Control Barrier Function-Based Safety Filter for Motion Planning with Arbitrary Road Boundary Constraints
Department of Computer Science, RWTH Aachen University（鲁尔大学计算机科学系）
本文提出一种基于控制屏障函数的实时安全过滤器，用于在复杂道路边界条件下保证运动规划的安全性，通过直接整合任意形状的道路几何信息，实现高效且可靠的碰撞避免。
2026-03-24 cs.RO cs.SY eess.SY
Control Barrier Functions and Input-to-State Safety with Application to Automated Vehicles
University of Michigan（密歇根大学）；California Institute of Technology（加州理工学院）；Plus.ai Inc.（智加科技公司）
平衡安全性和性能是现代控制系统设计中的主要挑战之一。此外，在不引起降低性能的不必要的保守性的情况下，稳健地确保安全性至关重要。在这项工作中，我们提出了一个建设性的方法，通过控制障碍函数（CBF）的安全关键控制综合。通过CBF过滤手工设计的控制器，我们能够获得高性能的行为，同时提供严格的安全保证。在干扰面前，鲁棒的安全性和性能是通过输入状态安全（ISSf）的概念同时实现的。我们采取了一个教程的方法，通过开发CBF设计方法与倒立摆的例子并行，使设计过程中的挑战和敏感性具体。为了建立所提出的方法的能力，我们考虑通过CBF的连接自动驾驶汽车（CAV）的形式的8级卡车没有拖车的安全关键设计的实际设置。通过实验，我们看到了未建模的干扰在卡车的驱动系统上的CBF提供的安全保证的影响。我们描述这些干扰，并使用ISSf，产生一个强大的控制器，实现安全而不让步的性能。我们评估我们的设计都在模拟，并首次在汽车系统，实验。
2022-06-07 cs.RO cs.SY eess.SY
Safety-Critical Control for Autonomous Systems: Control Barrier Functions via Reduced-Order Models
California Institute of Technology（加州理工学院）；Wichita State University（威奇托州立大学）
本文针对高维非线性自主系统的安全关键控制难题，提出基于降阶模型与控制障碍函数的构造性设计教程，统一相关技术并通过形式化结果、数值示例和实际案例验证其有效性。
2024-03-14 cs.RO cs.SY eess.SY
On transferring safety certificates across dynamical systems
本文提出一种转移控制屏障函数框架，用于在动态系统间转移安全保证，通过模拟函数和显式边距项系统地强制安全约束，适用于异构动态系统。
2026-03-16 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
Control Barrier Function Based UAV Safety Controller in Autonomous Airborne Tracking and Following Systems
Virginia Tech（弗吉尼亚理工大学）；University of Kentucky（肯塔基大学）；University of Louisville（路易斯维尔大学）
针对无人机空中跟踪非合作目标时的碰撞风险，提出基于控制屏障函数的二次规划安全控制器，最小化修改轨迹跟踪输入以保证安全，并在AirSim模拟中验证了有效性。
2023-12-28 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
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
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
A Predictive Cooperative Collision Avoidance for Multi-Robot Systems Using Control Barrier Function
Harbin Institute of Technology Shenzhen（哈尔滨工业大学深圳研究院）；Southern University of Science and Technology（南方科技大学）；University of Oulu（奥卢大学）；VTT-Technical Research Centre of Finland（芬兰技术研究中心）
本文提出基于预测安全矩阵的多机器人系统协作避障方法，通过最小特征值强化安全条件，并嵌入路径冲突策略以避免死锁，提升系统鲁棒性和效率。
2025-01-14 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
Constructive Safety-Critical Control: Synthesizing Control Barrier Functions for Partially Feedback Linearizable Systems
California Institute of Technology（加州理工学院）
本文建立部分反馈线性化与 CBF 综合的联系，证明输入-输出线性化系统可将输出安全约束扩展为全阶 CBF，并在四旋翼仿真与硬件中验证。
2024-06-04 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
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
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
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
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
Disturbance-Robust Backup Control Barrier Functions: Safety Under Uncertain Dynamics
Texas A&M University（德克萨斯农工大学）；Georgia Institute of Technology（佐治亚理工学院）；Wichita State University（威奇托州立大学）；Air Force Research Laboratory（空军研究实验室）
针对未建模扰动下现有备份控制障碍函数无法保证系统安全的问题，提出DR-bCBF方法，利用标称与受扰流边界构建扩张范数球管的前向不变集，通过鲁棒约束保障安全，仿真验证了其在双积分器和航天器旋转问题中的有效性。
2024-12-13 cs.RO cs.SY eess.SY
On the Safety of Connected Cruise Control: Analysis and Synthesis with Control Barrier Functions
California Institute of Technology（加州理工学院）；University of Michigan（密歇根大学）
本文利用控制障碍函数理论，对协同巡航控制策略进行安全性分析，推导安全图以识别安全参数，并综合安全关键的控制器，通过数值仿真验证了方法的有效性。
2023-08-31 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
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
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
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
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
Almost-Sure Safety Guarantees of Stochastic Zero-Control Barrier Functions Do Not Hold
Massachusetts Institute of Technology（麻省理工学院）；Washington University in St. Louis（圣路易斯华盛顿大学）
本文指出随机ZCBF的几乎必然安全保证定理及其证明不成立，通过反例说明问题，并利用新的证明技术验证随机RCBF的安全性，进而提出修正的ZCBF条件，同时揭示漂移与扩散之比的发散速率是决定几乎必然安全保证的关键因素。
2023-12-05 cs.RO math.OC
Neural Barriers: An Online Certifiable Learning-enhanced Adaptive High Order Safety Critical Control
Brown University（布朗大学）；University of Modena and Reggio Emilia（摩德纳和雷焦艾米利亚大学）；California Institute of Technology（加州理工学院）
提出一种基于神经ODE和保形预测的在线可认证自适应控制屏障函数，在模型扰动下保证安全并量化不确定性，减少保守性。
2026-10-06 cs.RO
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
Safety-Critical Quadrotor Navigation Using Fourth-Order Control Barrier Functions with Full Nonlinear Quadrotor Dynamics
Worcester Polytechnic Institute（伍斯特理工学院）；Nanyang Technological University（南洋理工大学）
该研究针对分层架构下四旋翼导航的平移安全目标与姿态演化不匹配问题，提出基于四阶控制障碍函数的安全控制器，结合积分高阶CBF技术，经仿真和实飞验证可实现可靠避障与安全导航。
2026-10-14 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
Provable Probabilistic Safety and Feasibility-Assured Control for Autonomous Vehicles using Exponential Control Barrier Functions
Carnegie Mellon University（卡内基梅隆大学）；University of North Carolina at Charlotte（北卡罗来纳大学夏洛特分校）
随着自动驾驶领域对安全控制需求的日益增长，基于模型的安全关键控制方法得到了广泛应用，尤其是基于控制障碍函数（CBF）的方法。其中，指数CBF（eCBF）由于其对高相对度系统的现实适用性而特别受欢迎。然而，对于大多数基于优化的控制器利用CBF的约束，解决方案的可行性是一个共同的问题，所产生的潜在冲突之间的不同的约束。此外，如何将不确定性纳入高相对度系统中基于eCBF的约束中以考虑安全性仍然是一个开放的挑战。在本文中，我们提出了一种新的方法来扩展基于eCBF的安全临界控制器的概率设置，以处理潜在的运动不确定性系统动力学。更重要的是，我们利用基于优化的技术，在运行时间提供解决方案的可行性保证，同时确保概率安全。以车道变换和交叉口处理为例进行了仿真，实验结果表明了该方法的有效性。
2022-05-08 cs.RO
Safety-critical Control with Control Barrier Functions: A Hierarchical Optimization Framework
本文提出一种分层优化框架，通过安全优先方法分解多目标优化问题，解决潜在不可行性并提升系统性能，通过实例验证了其在安全性和收敛速度上的优势。
2024-10-21 cs.RO math.OC
Guided by Guardrails: Control Barrier Functions as Safety Instructors for Robotic Learning
Department of Computer Engineering and Software Engineering, Polytechnique Montreal（计算机工程与软件工程系，蒙特利尔大学）；Mila - Quebec AI Institute（魁北克人工智能研究所）
针对RL安全建模不足，提出用控制屏障函数（CBF）作为安全指导员，通过连续负奖励模拟时间后果，三种CBF-RL方法在仿真和真实四轮差速机器人上验证了安全学习效果。
2025-05-24 cs.LG cs.RO
Safety on the Fly: Constructing Robust Safety Filters via Policy Control Barrier Functions at Runtime
Department of Cognitive Robotics, Delft University of Technology（认知机器人系，代尔夫特理工大学）；Department of Aeronautics and Astronautics, Massachusetts Institute of Technology（航空宇航工程系，麻省理工学院）；D. Guggenheim School of Aerospace Engineering, Georgia Institute of Technology（Guggenheim航空航天工程学院，佐治亚理工学院）；MIT Lincoln Laboratory（MIT林肯实验室）
本文提出鲁棒策略CBF方法，通过在线估计价值函数构建稳健的安全过滤器，用于高相对阶输入约束系统的安全控制。
2026-01-20 cs.RO math.OC
Safe Local Navigation for Ackermann-Steered Robots in Unmapped Environments
McMaster University（麦克马斯特大学）
提出一种控制框架，通过局部障碍物检测确定最安全航向角，构建边界线并优化车辆-障碍物间距，实现阿克曼转向机器人在无全局目标环境中的安全局部导航。
2026-06-19 cs.RO
Safety Embedded Differential Dynamic Programming Using Discrete Barrier States
School of Electrical and Computer Engineering（电气与计算机工程学院）；King Fahd University of Petroleum & Minerals（法赫德国王石油与矿产大学）；School of Computer Science（计算机科学学院）；George W. Woodruff School of Mechanical Engineering（乔治·W·伍德拉夫机械工程学院）；Daniel Guggenheim School of Aerospace Engineering（丹尼尔·古根海姆航空航天工程学院）
认证安全控制是机器人领域日益严峻的挑战，尤其是在必须同时实现性能和安全目标的情况下。在这项工作中，我们扩展的障碍状态（BaS）的概念，最近提出的连续时间系统的安全稳定，安全嵌入轨迹优化离散时间系统使用离散障碍状态（DBaS）。所构建的DBaS嵌入到离散模型的安全关键系统集成到系统的动态和性能目标的安全目标。由此，通过屏障状态由安全关键信息直接提供控制策略。这使我们能够采用DBaS与差分动态规划（DDP）计划和执行安全的最佳轨迹。所提出的算法是利用各种安全关键的控制和规划问题，包括差分轮式机器人在随机和复杂的环境中的安全导航和四旋翼安全地执行达到和跟踪任务。基于DBaS-DDP（DBaS-DDP）的表现始终优于惩罚方法，通常用于近似约束DDP问题，以及基于CBF的安全过滤器。
2022-02-02 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
Safety Guarantees for Neural Network Dynamic Systems via Stochastic Barrier Functions
Department of Aerospace Engineering Sciences, University of Colorado Boulder（科罗拉多大学博尔德分校航空航天工程科学系）；Delft Center for Systems and Control, Delft University of Technology（代尔夫特理工大学系统与控制中心）
本文提出基于随机障碍函数的凸优化方法，为神经网络动态模型提供安全保证，并通过线性规划生成最小侵入式控制以最大化安全概率，实验验证了其可扩展性和有效性。
2025-05-25 cs.RO cs.SY eess.SY
Safety-Control of Mobile Robots Under Time-Delay Using Barrier Certificates and a Two-Layer Predictor
Wayne State University（韦恩州立大学）
执行快速和敏捷的机动是必不可少的自主移动机器人的安全操作。此外，时间延迟的存在限制了系统的响应时间，并且妨碍了安全性能。因此，本文提出了一种模块化和可扩展的安全控制设计，利用史密斯预测器和障碍证书，以安全和一致地避免不同的足迹障碍。所提出的解决方案包括一个两层的预测补偿伺服系统和角度控制回路中的时间延迟。建议的预测器配置显着提高了瞬态性能，并减少了响应时间。障碍证书用于确定机器人航向角的安全范围，以避免碰撞。所提出的避障技术可以方便地与各种轨迹跟踪算法集成，从而提高了设计的灵活性。角度条件是自适应计算和校正机器人的航向角和角速度。此外，该方法还可以适应多个障碍物，并从障碍物的形状，数量和分布来简化控制结构。该控制结构只有8个可调参数，便于大型移动机器人系统的控制校准和调整。大量的实验结果验证了安全控制的有效性。
2021-04-30 cs.RO cs.SY eess.SY
Safe Vision Language Action Models via Barrier Enhanced Flow Matching
The Pennsylvania State University（宾夕法尼亚州立大学）
该研究提出将流匹配生成模型与控制障碍函数安全保证结合的模块化推理框架，通过修改流匹配去噪过程实现本质安全，在不降低模型成功率的前提下完成安全验证。
2026-08-03 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
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
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
