Formal Verification of a Fail-Operational Automotive Driving System
用于高度自动化驾驶的故障操作系统即使在出现故障的情况下也必须完成驾驶任务。这需要冗余架构和在故障情况下重新配置系统的机制。因此，使用仲裁逻辑。为了功能安全，必须在出现任何电气和电子故障的情况下切换到回退水平。为了提供符合ISO 26262的安全论证证据，必须验证仲裁逻辑。验证过程提供了正确故障反应的确认，并且没有非预期的系统状态。传统的安全分析，如失效模式和效应分析，在这方面有其局限性。我们提出了一种基于形式化验证的分析方法，特别是模型检验，以验证驱动系统的故障操作行为。出于这个原因，我们对系统行为和相关架构进行建模，并正式指定安全需求。分析范围根据ISO 26262的要求定义。我们验证了符合行业标准的高度自动化驾驶的故障操作仲裁逻辑。我们的研究结果表明，在汽车故障操作驾驶系统的安全评估的正式方法可以成功地应用。我们能够检测到其他分析所忽略的故障，从而有助于安全关键功能的开发。
2021-01-18 cs.SE cs.SY eess.SY
Estimating End-to-End Latencies in Automotive Cyber-physical Systems
当今汽车系统中的控制器网络由100多个通过各种总线协议连接的ECU组成。整个系统的无缝运行需要这些ECU之间协调良好的交互。因此，为了确保安全性和舒适性，性能分析是工程过程的一个固有部分。手动进行这样的分析是昂贵的，缓慢的，并且容易出错。因此，工具支持至关重要，已经提出了一些方法。然而，大多数工作仅限于网络层或软件层，这导致在通信栈的不同层之间的过渡处的分析间隙。这里介绍的工作介绍了一种方法来缩小这一差距。此外，我们还讨论了不同方法的集成，以获得端到端的延迟分析。
2020-04-28 cs.SY eess.SY
HEMA: A Hands-on Exploration Platform for MEMS Sensor Attacks
针对传统汽车安全学习缺乏实操经验、新手难接触车规系统的问题，本文提出经济灵活的HEMA平台，帮助用户实操探索MEMS传感器安全受侵情况，为相关教育、研究和从业者提供宝贵资源。
2025-07-08 cs.CR cs.SY eess.SY
Robust Safety Filters for Lipschitz-Bounded Adaptive Closed-Loop Systems with Structured Uncertainties
German Aerospace Center (DLR)（德国航空航天中心）；Massachusetts Institute of Technology（麻省理工学院）
针对自适应控制系统的瞬态安全问题，提出一种基于参考的自适应安全框架，利用Lipschitz有界跟踪误差推导鲁棒CBF条件并转化为凸SOCP，减少保守性并保证前向不变性和闭环稳定性。
2026-06-19 cs.SY eess.SY
Knowledge and skills requirements for the software design and testing of automotive applications
本文介绍了在汽车工业中使用硬件在环（HiL）设计和测试安全关键设备时，应向新手开发人员提供的所需知识和技能。他们应该提供给学生完成电气工程或机电一体化的硕士水平，旨在寻求在汽车行业就业。简要介绍了开发过程，以及各阶段的简要说明，其中包括文档中的一些典型书面文本示例（需求，测试用例等）。该过程遵循Automotive SPICE，并专注于V型的尖端。所提出的文本可以作为一个有用的信息，在适应现有的课程，以新的开发和测试过程中引入的新的需求的过程中。
2019-10-29 cs.SE cs.SY eess.SY
Risk Management Core -- Towards an Explicit Representation of Risk in Automated Driving
针对现有汽车安全标准无法显式定义自动驾驶系统不合理风险、难以对齐风险接受准则的问题，提出基于现有安全标准需求的风险管理核心框架，用于风险的显式表示与管理，并在示例场景中验证了其在指定自动驾驶系统安全行为任务中的应用。
2024-03-08 cs.SY eess.SY
Safety-Critical Control with Guaranteed Lipschitz Continuity via Filtered Control Barrier Functions
Boston University（波士顿大学）；Massachusetts Institute of Technology（麻省理工学院）；University of Maryland, College Park（马里兰大学帕克分校）
本文提出滤波控制屏障函数，通过引入输入正则化滤波器实现控制输入的利普希茨连续性，从而保证系统安全性和控制输入的平滑性。
2026-03-10 cs.SY eess.SY math.OC
Identification of Risk Significant Automotive Scenarios Under Hardware Failures
The Ohio State University（俄亥俄州立大学）
本文提出基于马尔可夫/单元到单元映射技术的通用回溯过程算法，用于识别导致安全目标违反的关键场景，并通过混合状态控制系统案例研究验证其有效性。
2018-04-12 cs.SE cs.SY eess.SY
Safe Approximate Dynamic Programming Via Kernelized Lipschitz Estimation
Mitsubishi Electric Research Laboratories（三菱电机研究实验室）；Purdue University（普渡大学）；Georgia Institute of Technology（佐治亚理工学院）
我们开发了一种方法，通过近似动态规划（ADP）技术获得安全的初始策略，用于强化学习的不确定系统与离散时间动态演化。我们采用核化Lipschitz估计和半定规划计算可容许的初始控制策略，可证明的高概率。这样的容许控制器，使安全的初始化和约束的强制执行，同时提供指数稳定的闭环系统的平衡。
2019-07-03 cs.LG cs.SY eess.SY
Decentralized Safe Reinforcement Learning for Voltage Control
基于逆变器的分布式能源通过快速调节其无功功率为快速时标电压控制提供了可能性。电力电子接口允许这些资源实现几乎任意的控制律，但设计这些分散控制器是不平凡的。强化学习（RL）方法越来越受欢迎，用于搜索由神经网络参数化的策略。然而，很难强制执行学习控制器是安全的，因为它们可能会将不稳定性引入系统。提出了一种电压控制的安全学习方法。我们证明了系统是指数稳定的，如果每个控制器满足一定的Lipschitz约束。优化了Lipschitz界集，扩大了神经网络控制器的搜索空间。我们显式设计神经网络控制器的结构，使它们通过设计满足Lipschitz约束。构建了一个分散的强化学习框架，用于在无模型设置中训练每条总线上的局部神经网络控制器。
2021-10-03 cs.SY eess.SY
An Industrial Experience Report about Challenges from Continuous Monitoring, Improvement, and Deployment for Autonomous Driving Features
本文通过专家访谈和文献研究，识别并讨论了汽车领域采用持续开发、部署与监控（CDDM）的特定挑战，以填补增强安全自动驾驶系统软件开发的研究空白。
2024-03-14 cs.SE cs.SY eess.SY
Intelligent Self-tuning Active EMI Filtering for Electrified Automotive Power Systems Using Reinforcement Learning
Imperial College London（帝国理工学院）；Jaguar Land Rover（捷豹路虎）；University College London（伦敦大学学院）
本文提出基于强化学习的智能自适应电磁干扰滤波器，通过马尔可夫决策过程动态调整滤波参数，提升电磁兼容性和系统效率，实验显示在宽频范围内实现25-30dB的干扰衰减。
2026-04-30 cs.SY eess.SY
Finding Control Invariant Sets via Lipschitz Constants of Linear Programs
本文提出一种基于线性规划Lipschitz常数的方法，在输入受限下安全扩展控制不变集，并用于构建最小侵入性的安全滤波器，兼具理论证明与数值验证。
2024-11-07 cs.SY eess.SY
MPC-Guided Safe Reinforcement Learning and Lipschitz-Based Filtering for Structured Nonlinear Systems
Delft University of Technology（代尔夫特理工大学）
本文提出结合MPC与RL的框架，通过安全控制边界和Lipschitz过滤器实现结构非线性系统的安全可控性。
2025-12-14 cs.RO cs.SY eess.SY
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
Safe PDE Backstepping QP Control with High Relative Degree CBFs: Stefan Model with Actuator Dynamics
高相对度控制障碍函数（hi-rel-deg CBF）在汽车安全和机器人技术中发挥着重要作用。在本文中，我们将这一概念推广到偏微分方程控制，处理一个特定的、物理相关的热动力学模型，其中偏微分方程的边界由于液固相变而移动--所谓的斯特凡模型。采用熟悉的QP设计来确保安全性，但CBF是无限维的（包括一个控制屏障“功能”），安全集也是无限维的。由于，在致动器动态的存在下，在边界的Stefan系统，该系统的主要CBF是相对度2，一个额外的CBF的构造，通过反推设计，这确保了积极的所有CBF没有任何额外的限制的初始条件。结果表明，“安全过滤器”中设计的文件，保证安全的存在下，一个任意的操作员输入。这类似于一个汽车系统，其中安全反馈定律覆盖-但只有在必要时-可能不安全的转向，加速，或制动由一个充满活力，但缺乏经验的司机。对金属增材制造过程进行了模拟，结果表明，操作员对Stefan模型的加热和冷却命令得到了遵守，但液体从未冻结。
2021-11-01 cs.SY eess.SY math.OC
AD-EYE: A Co-simulation Platform for Early Verification of Functional Safety Concepts
自动驾驶正在彻底改变汽车行业的许多传统操作方式。汽车功能对安全工程的影响可以说是最重要的变化之一。有必要重新思考部分或完全没有人类驱动者（就监督实体而言）的影响，不仅是在新开发的功能方面，而且在新环境下使用遗留功能的资格方面。即使在受限的操作设计领域内，车辆也可能遇到各种各样的场景，以及自动驾驶的高度动态特性，这意味着模拟等新方法可以极大地帮助安全工程的过程。本文讨论了早期验证功能安全概念（FSC）的必要性，详细介绍了在产品生命周期的这个阶段通常可用的信息，并提出了一个名为AD-EYE的协同仿真平台，旨在通过评估设计决策和基于可重用的场景数据库细化功能安全要求来利用工业环境中的可能性。利用我们以前在开发自动驾驶功能FSC方面的经验，以及联合仿真平台的初步实施，我们展示了使用仿真进行细化和早期FSC验证的优势和局限性，并使用可以从我们的方法中受益的需求类型的示例。
2019-12-01 cs.RO cs.SY eess.SY
Stability Mechanisms for Predictive Safety Filters
本研究针对预测安全滤波器需满足额外稳定性要求的问题，提出融合从有界收敛到一致渐近稳定的稳定性保证的框架，扩展MPC理论结果并支持常用设计技术，可适配动态轨迹跟踪问题，经汽车高级驾驶辅助场景验证具有实用性。
2024-09-18 cs.SY eess.SY
Safe or Slow? The Illusion of Thermal Stability Under Reduced-Velocity Nail Intrusion
Graz University of Technology（格拉茨工业大学）；Virtual Vehicle Research GmbH（虚拟车辆研究有限公司）
本研究发现低速钉刺不会引发锂离子软包电池热失控，揭示了穿透速度对电池安全性的关键影响。
2026-03-10 cs.SY eess.SY physics.chem-ph
Safe Reinforcement Learning Using Robust Action Governor
University of Michigan（密歇根大学）；Ford Motor Company（福特汽车公司）
强化学习（RL）本质上是一种试错学习过程，在探索和利用过程中可能会导致不安全的行为。这阻碍了RL在现实世界控制问题中的应用，特别是对安全关键系统的应用。在本文中，我们介绍了一个安全RL的框架，该框架基于RL算法与附加安全监督模块的集成，称为鲁棒动作总督（RAG），该模块利用集合理论技术和在线优化来管理学习过程中的安全相关要求。我们说明了这一建议的安全RL框架，通过应用汽车自适应巡航控制。
2021-04-30 cs.LG cs.SY eess.SY
Planning with Learned Dynamics: Probabilistic Guarantees on Safety and Reachability via Lipschitz Constants
University of Michigan（密歇根大学）
我们提出了一种方法，反馈运动规划系统的未知动态提供概率保证的安全性，可达性和目标稳定性。为了找到一个域，在这个域中，可以信任真实动态的学习控制仿射近似，我们估计真实动态和学习动态之间的差异的Lipschitz常数，并确保估计在给定的概率下是有效的。提供的系统至少有尽可能多的控制状态，我们还推导出存在条件的一步反馈法，可以保持真正的系统在一个小范围内的标称轨迹规划与学习动态。我们的方法将反馈律的存在作为基于采样的规划器中的约束，该规划器返回围绕标称规划的反馈策略，确保如果Lipschitz常数估计有效，则真实系统在计划执行期间是安全的，达到目标，并且最终在关于目标的小集合中是不变的。我们通过使用6D四旋翼和7DOF Kuka臂的学习模型进行规划来演示我们的方法。我们表明，使用相同的学习动力学进行规划而不考虑误差范围或反馈法的存在的基线可能无法稳定在计划周围并变得不安全。
2021-10-19 cs.LG cs.RO cs.SY
On the Application of ISO 26262 in Control Design for Automated Vehicles
Institute for Electrical Engineering in Medicine, University of Luebeck（医学电气工程研究所，吕贝克大学）
本文探讨了ISO 26262标准在自动驾驶车辆控制设计中的应用，分析了其在高自动化车辆中的适用性与争议，并总结了该标准的安全设计步骤。
2018-04-12 cs.RO cs.SE cs.SY
Control Barrier Function Based Quadratic Programs for Safety Critical Systems
California Institute of Technology（加州理工学院）；University of Michigan（密歇根大学）；University of California at Los Angles（加利福尼亚大学洛杉矶分校）
本文提出将安全约束与性能目标统一在二次规划中的方法，通过控制屏障函数和控制李雅普诺夫函数的结合，实现安全与性能的协调控制。
2016-12-05 cs.SY eess.SY math.OC
Applying systems-theoretic process analysis in the context of cooperative driving
KTH（皇家理工学院）
高度自动化的协同驾驶车辆将使交通流量更加流畅，从而实现更高效、更环保和更安全的交通状况。然而，汽车行业是安全关键，目前的安全标准不是为了处理合作驾驶而设计的。在本文中，我们应用现代安全分析方法，系统理论过程分析，在合作驾驶的背景下，作为大合作驾驶挑战赛（GCDC）的一部分，并提出我们的思考方法。
2019-12-04 cs.RO cs.SY eess.SY
A Unified Safety Protection and Extension Governor
提出统一安全保护与扩展的监督控制方案，通过单一约束优化问题在正常时维持系统安全，异常时最大化安全违规前时间以争取恢复，适用于凸约束线性系统。
2023-04-17 cs.SY eess.SY math.OC
Goal-Conditioned Neural ODEs with Guaranteed Safety and Stability for Learning-Based All-Pairs Motion Planning
Australian Centre for Robotics（澳大利亚机器人中心）；School of Aerospace, Mechanical and Mechatronic Engineering（航空航天、机械与机电工程学院）
本文提出了一种基于学习的全对运动规划方法，通过双 Lipschitz 双射构造平滑的目标条件神经ODEs，理论结果表明该模型在任意目标位置下能保证全局指数稳定性与安全性，且提供了收敛速率、跟踪误差和向量场大小的显式界。
2026-09-23 cs.RO cs.SY eess.SY
