Safety-Critical Control Synthesis for network systems with Control Barrier Functions and Assume-Guarantee Contracts
本文研究网络系统的安全关键控制综合问题,以保证满足安全约束。为了处理这样的系统的大的状态维度,假设保证合同被用来打破大的综合问题成更小的子问题。参数化信号时序逻辑(pSTL)被用来形式化地描述子系统的行为,我们使用它作为合同的模板。我们表明,鲁棒控制不变集(RCI)的子系统可以组成一个鲁棒控制不变集的整个网络系统下一个有效的假设保证合同。提出了一个epigraph算法来求解一个有效的合同,-一种方法,具有线性复杂性的稀疏网络,这导致了一个鲁棒控制不变集的整个网络系统。采用控制障碍函数(CBF)实现,保证各子系统的状态保持在安全集内。此外,我们提出了一个应急管模型预测控制方法的基础上的RCI,这是能够处理严重的突发事件,包括网络的拓扑结构的变化。一个电网的例子来证明所提出的方法。仿真结果包括设定值控制和事故恢复两部分,且始终满足安全约束。
2020-09-17 cs.SY eess.SY math.OC
Economic MPC-based planning for marine vehicles: Tuning safety and energy efficiency
能源效率和安全性是船舶在障碍物环境中运行的两个关键目标,它们通常相互冲突。本文提出了一种基于经济模型预测控制(EMPC)框架的船舶运动规划方法。首先,设计具有最大安全裕度的可行轨迹,并将其作为跟踪参考。其次,设计了基于EMPC的滚动时域运动规划算法,在该算法中,规划轨迹和参考之间的距离)。实验结果验证了该方法的有效性和可行性。
2021-12-10 cs.SY eess.SY
HALO: Hazard-Aware Landing Optimization for Autonomous Systems
University of Washington(华盛顿大学)
本文提出耦合感知-规划方案HALO,结合HALSS算法识别安全着陆区与Adaptive-DDTO算法自适应重规划轨迹,在模拟火星环境中实现更高着陆成功率与更低燃料消耗。
2023-04-04 cs.CV cs.RO cs.SY
Trajectory planning for multiple autonomous underwater vehicles with safety guarantees
研究了多自主水下机器人(AUV)在强海浪中的轨迹规划问题,该问题会干扰AUV的轨迹跟踪能力,并导致障碍物和机器人之间的碰撞。提出了一种基于Hamilton-Jacobi微分对策和模型预测控制的AUV安全轨迹生成方法,该方法考虑了时变状态无关或时变状态相关的波浪扰动。该方法规划多个AUV的安全保证的轨迹,并考虑AUV的形状,其中非线性光滑避碰约束通过强对偶性获得。
2020-11-27 cs.SY eess.SY
A Review of Hydrogen-Enabled Resilience Enhancement for Multi-Energy Systems
Nanjing University of Posts and Telecommunications(南京邮电大学);Imperial College London(帝国理工学院);University of Exeter(埃克塞特大学);Xi’an Jiaotong University(西安交通大学)
本文综述了氢能赋能多能源系统韧性增强的挑战与方法,提出韧性提升框架,分类规划与运营措施,探讨未来研究方向。
2026-04-12 cs.SY eess.SY
Safety-guaranteed trajectory planning and control based on GP estimation for unmanned surface vessels
Katholieke Universiteit Leuven(鲁汶天主教大学);University of Melbourne(墨尔本大学)
我们提出了一个安全保证的规划和控制框架,无人水面舰艇(USVs),使用高斯过程(GPS)学习不确定性。USV遇到的不确定性,包括外部干扰和模型失配,是潜在的状态依赖性,时变的,很难捕捉恒定的模型。GP是一个功能强大的基于学习的工具,可以与基于模型的规划和控制框架集成,该框架采用Hamilton Jacobi微分博弈公式。这样的组合产生不太保守的轨迹和安全保证的控制策略。我们证明了所提出的框架在模拟和实验上的CLEARPATH苍鹭USV。
2022-05-10 cs.RO cs.SY eess.SY
Distributionally Robust CVaR-Based Safety Filtering for Motion Planning in Uncertain Environments
The University of Texas at Dallas(德克萨斯大学达拉斯分校)
本文针对不确定动态障碍物环境下的机器人运动规划安全问题,提出一种基于分布鲁棒优化计算安全半空间并结合类MPC安全滤波器的方案,以降低碰撞风险,并通过数值仿真验证其有效性与计算效率。
2023-09-16 cs.RO cs.SY eess.SY
Safety-Aware Optimal Control for Motion Planning with Low Computing Complexity
环境中多个不规则障碍物的存在给运动规划的优化问题引入了非凸约束,使得最优控制问题难以处理。一个有效的方法来解决这个问题是连续凸逼近(SCA),其中的非凸问题是convexified和解决连续。然而,这种方法仍然面临着两个主要的挑战:i)不可行性,由线性化不可行的参考点; ii)高计算复杂性所产生的多个约束,当解决最优控制问题的规划时间跨度长和多个障碍。为了克服这些困难,本文提出了一种节能的安全意识控制方法的运动规划与低计算复杂度,并解决这些挑战。具体地,基于控制障碍函数的线性二次型调节器被制定用于运动规划,以保证安全性和能量效率。然后,为了避免不可行性,向后后退SCA(BRSCA)方法与动态约束选择规则的建议。为了降低计算复杂度,设计了原-对偶迭代动态规划。研究发现,BRSCA适用于时变控制限。数值仿真和硬件实验验证了BRSCA的有效性。仿真结果表明,BRSCA有更高的概率找到可行的解决方案,减少了约17.4%的计算时间和约4倍的能源成本相比,文献中的其他方法。
2022-11-09 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
Infusing Reachability-Based Safety into Planning and Control for Multi-agent Interactions
Stanford University(斯坦福大学)
在机器人自主堆栈中,规划器和控制器通常是分开设计的,并且用于不同的目的。因此,在确保机器人安全方面,往往存在责任分散的问题。我们建议,计划者和控制者应该共享相同的安全解释,但以不同但互补的方式应用这些知识。为了实现这一目标,我们使用汉密尔顿-雅可比(HJ)可达性理论在规划层面提供的前瞻性,以避免进入可能不可避免的碰撞区域的机器人规划。但是,仅凭这一点并不能保证安全。结合这HJ可达性注入计划,我们提出了一个最小干预的多智能体安全保护控制器也来自HJ可达性理论。安全控制器保持机器人的安全性,而不会过度影响规划器的性能。我们在多智能体高速公路场景中展示了我们提出的方法的好处,其中机器人汽车将获得奖励,以尽可能快地在交通中导航,并且我们表明,与其他安全控制器相比,我们的方法提供了强有力的安全保证,同时实现了最高的性能。
2020-07-31 cs.RO cs.SY eess.SY
SEAL: Safety Enhanced Trajectory Planning and Control Framework for Quadrotor Flight in Complex Environments
针对四旋翼在风扰动和动态障碍物环境中的安全飞行问题,提出SEAL框架,通过广义比例积分观测器在规划与控制阶段同时估计风扰动,结合HJ可达性分析保证轨迹安全性,并采用NMPC控制器实现鲁棒跟踪。
2025-03-05 cs.SY eess.SY
Reliable and Real-Time Highway Trajectory Planning via Hybrid Learning-Optimization Frameworks
本文提出混合高速公路轨迹规划框架,结合学习方法的适应性和优化方法的正式安全保证,确保在多车交互复杂情况下实现高可靠性和实时性。
2026-04-13 cs.RO cs.SY eess.SY
Trajectory Planning Under Environmental Uncertainty With Finite-Sample Safety Guarantees
我们解决的问题,轨迹规划的环境中由一组障碍物与不确定的时变位置。使用广泛接受的高斯分布的不确定性建模,从而在一个机会约束的程序。然而,与以前的方法相反,我们不假设完美的知识的分布的时刻,而是通过有限的样本从传感器或过去的数据来估计它们。我们得到严格的浓度范围内的错误,这些估计,以充分收紧的机会约束程序。因此,我们提供了可证明的保证满足相应的机会约束的名义尚未未知的时刻。我们用两个自主车辆轨迹规划案例研究来说明我们的结果。
2021-08-13 cs.SY eess.SY math.OC
Safety-driven Interactive Planning for Neural Network-based Lane Changing
Northwestern University(西北大学)
基于神经网络的驾驶规划器在提高自动驾驶的任务性能方面显示出巨大的前景。然而,确保具有基于神经网络的组件的系统的安全性是至关重要的,但也是非常具有挑战性的,特别是在密集和高度交互的交通环境中。在这项工作中,我们提出了一个安全驱动的交互式规划框架的神经网络为基础的车道变换。为了防止过于保守的规划,我们识别周围车辆的驾驶行为,并评估其侵略性,然后以交互的方式相应地调整自我车辆的规划轨迹。如果即使在预测的最坏情况下也存在安全规避轨迹,则自我车辆可以继续改变车道;否则,它可以停留在当前横向位置附近或返回到原始车道。我们定量地展示了我们的规划设计的有效性及其优势,通过广泛的模拟与不同的和全面的实验设置,以及在现实世界中收集的自动驾驶汽车公司的情况下,基线方法。
2022-09-18 cs.RO cs.SY eess.SY
Enabling Safety for Aerial Robots: Planning and Control Architectures
University of Michigan(密歇根大学);NASA Goddard Space Flight Center(美国国家航空航天局戈达德太空飞行中心)
本文针对空中机器人在动态环境、资源约束和对抗攻击下的安全挑战,提出规划与控制架构方面的解决方案,并通过硬件实验验证其有效性。
2025-04-11 cs.RO cs.SY eess.SY
Stochastic Model Predictive Control with a Safety Guarantee for Automated Driving: Extended Version
自动驾驶汽车需要在不确定的环境中进行有效和安全的规划。大多数情况下,这种不确定性是由其他交通参与者引起的,例如,周边车辆。周围车辆的未来运动通常难以预测。而鲁棒控制方法实现安全,但保守的自动车辆的运动规划,随机模型预测控制(SMPC)提供了有效的规划存在的不确定性。应用概率约束以确保最大风险保持在预定义水平以下。然而,由于可能违反概率约束,无法确保安全性,这对于自动驾驶车辆是不可接受的。在这里,我们提出了一个有效的轨迹规划框架与自动驾驶汽车的安全保证。SMPC被应用于获得有效的车辆轨迹有限的地平线。基于第一优化SMPC输入,使用可达集规划有保证的安全备份轨迹。此备份用于覆盖SMPC输入(如有必要),以确保安全。证明了安全SMPC算法的递归可行性。高速公路模拟表明所提出的方法的有效性,性能和安全性。
2022-06-08 cs.SY eess.SY
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
Safety-aware time-optimal motion planning with uncertain human state estimation
Istituto di Sistemi e Tecnologie Industriali Intelligenti per il Manifatturiero Avanzato, Consiglio Nazionale delle Ricerche(意大利国家研究委员会先进制造智能工业系统与技术研究所);University of Brescia(布雷西亚大学)
机器人运动规划中的人类感知对于与人类的无缝交互至关重要。许多现有的技术减慢、停止或局部改变机器人的轨迹,以避免与人类碰撞。虽然在路径规划阶段使用关于人的状态的信息可以减少未来对人的移动的干扰并且使安全停止不那么频繁,但是这样的方法不太普遍。本文提出了一种新的方法来嵌入人体模型的机器人的路径规划。该方法明确地解决了最小化路径执行时间的问题,包括由于人类接近而导致的减速和停止。为此,它将安全速度限制转换为驱动路径优化的配置空间成本函数。可以基于观察到的或预测的人类状态来更新成本图。该方法可以处理人类状态的确定性和概率表示,是独立的预测算法。工业协作单元上的数值和实验结果表明,所提出的方法一致地减少了机器人的执行时间,避免了不必要的安全速度降低。
2022-10-21 cs.RO cs.SY eess.SY
A Simple Dynamic Model for Aggressive, Near-Limits Trajectory Planning
MINES ParisTech, PSL Research University(巴黎矿业学院,PSL研究大学);École des Ponts ParisTech(巴黎路桥学院)
本文提出一种简洁的车辆动态模型,用于近极限激进轨迹规划,提升在突发情况下车辆可控性和安全性。
2017-06-23 cs.SY eess.SY
Reactive motion planning with probabilistic safety guarantees
California Institute of Technology(加州理工学院)
多智能体环境中的运动规划对于许多重要的自主应用(如自主车辆和辅助机器人)至关重要。研究了受控智能体与多个不受控智能体共享环境的运动规划问题。首先,训练不受控制的代理的预测模型,以基于场景在短时间内预测所有可能的轨迹。然后将预测馈送到基于模型预测控制的运动规划模块。我们使用三种不同的方法,后膨胀,支持向量机(SVM),和共形分析,所有能够生成随机保证的预测模型的预测的正确性证明了泛化界。所提出的方法在模拟自动驾驶公路的情况下进行了仿真。
2020-11-26 cs.LG cs.RO cs.SY
Dynamic High-Order Control Barrier Functions with Diffuser for Safety-Critical Trajectory Planning at Signal-Free Intersections
The Hong Kong Polytechnic University(香港理工大学);The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));University of Washington(华盛顿大学);Southeast University(东南大学)
针对无信号交叉口多任务安全轨迹规划问题,提出DSC-Diffuser框架,结合动态高阶控制障碍函数与扩散模型,从专家演示中学习多任务行为,动态调整约束以降低保守性,确保安全性与效率。
2025-03-31 cs.LG cs.RO cs.SY
Agile Decision-Making and Safety-Critical Motion Planning for Emergency Autonomous Vehicles
University of Hong Kong, Department of Mechanical Engineering(香港大学机械工程系);National University of Singapore, Department of Civil and Environmental Engineering(新加坡国立大学土木与环境工程系)
本文提出集成敏捷决策与安全关键运动规划系统(IDEAM),通过LSGM算法生成路径并评估速度与风险,结合基于Frenet的MPC框架和DCBFs、DHOCBFs建模约束,使紧急自动驾驶车辆在密集交通中兼顾效率与安全。
2025-06-02 cs.RO cs.SY eess.SY
Safety-Oriented Dynamic Path Planning for Automated Vehicles
Department of Aerospace Engineering, University of the Bundeswehr Munich(航空航天工程系,联邦国防军大学穆恩市)
针对动态环境下自动驾驶的安全路径规划问题,提出含NMPC主回路与备用回路的双层控制框架,结合同伦约束松弛与障碍物时变投影,提升了规划的实时性、鲁棒性与安全性。
2025-10-04 cs.RO cs.SY eess.SY
Towards Fast and Safety-Guaranteed Trajectory Planning and Tracking for Time-Varying Systems
University of Melbourne(墨尔本大学);Simon Fraser University(西蒙菲莎大学)
针对时变动力学与扰动下的自主系统,本文提出离线安全控制器结合在线轨迹重规划的跟踪方法,并将有限时域方案扩展至周期系统,通过自主水下航行器仿真验证。
2024-12-05 cs.RO cs.SY eess.SY
Reachable Sets-based Trajectory Planning Combining Reinforcement Learning and iLQR
针对现有轨迹规划忽略驾驶风险场影响的问题,提出融合风险场的可达集结合安全强化学习与约束iLQR的轨迹规划方法,可在保障舒适性与效率的同时提升高速换道场景下的行驶安全性。
2025-05-21 cs.RO cs.SY eess.SY
Learning How to Trade-Off Safety with Agility Using Deep Covariance Estimation for Perception Driven UAV Motion Planning
Istanbul Technical University(伊斯坦布尔理工大学);Turkish-German University(土耳其-德国大学)
针对敏捷无人机导航任务,研究了如何利用预测模型选择基于感知不确定性估计的运动规划策略。虽然有各种各样的运动规划和感知算法,这样的任务,感知的不确定性的影响是没有明确地处理在许多当前的运动算法,这导致在现实生活中的情况下,测量往往是嘈杂的,由于外部干扰的性能损失。我们开发了一个新的框架嵌入感知不确定性的高层次运动规划管理,以选择最好的可用运动规划方法,目前估计的感知不确定性。我们使用深度神经网络(CovNet)来估计视觉输入的不确定性,该深度神经网络明确预测当前测量的协方差。接下来,我们训练一个高级机器学习模型,用于在给定协方差的当前估计以及UAV状态的情况下预测最低成本的运动规划算法。我们证明了现实生活中的数据和无人机竞赛模拟,我们的方法,命名为不确定性驱动的运动规划切换器(UDS)产生的最安全和最快的轨迹之间比较的替代品。此外,我们表明,开发的方法学习如何权衡安全与敏捷性切换到运动规划,导致更敏捷的轨迹时,估计的协方差是高的,反之亦然。
2020-12-11 cs.RO cs.SY eess.SY
Limiting Computation Levels in Prioritized Trajectory Planning with Safety Guarantees
RWTH Aachen University(亚琛工业大学);University of the Bundeswehr Munich(慕尼黑联邦国防军大学)
针对并行优先级规划难保证安全、顺序规划计算层级随车辆数增长的问题,本文结合可达性分析与图划分选择部分车辆顺序规划,在保证无碰撞和求解质量的同时将计算层级降低约64%。
2024-09-08 cs.MA cs.RO cs.SY
Planning, Fast and Slow: A Framework for Adaptive Real-Time Safe Trajectory Planning
本文提出一种自适应实时安全轨迹规划框架,通过元规划实现不同在线规划器的安全切换,以应对未知环境和障碍物。
2018-03-06 cs.GT cs.SY eess.SY
Enhance Planning with Physics-informed Safety Controller for End-to-end Autonomous Driving
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));The Hong Kong University of Science and Technology(香港科技大学)
本文提出FusionAssurance框架,将势场与模型预测控制结合,为端到端自动驾驶提供物理信息安全保障,并在CARLA基准上验证其在分布外场景中的有效性。
2024-05-05 cs.RO cs.SY eess.SY
Safety-aware Model Predictive Path Integral Control with Signal Temporal Logic
University of Southern California(南加州大学);University of Michigan(密歇根大学);Toyota Motor North America R&D(丰田北美研发中心);ETH Zürich(苏黎世联邦理工学院)
本文提出safety-aware-stl-mppi框架,将STL公式编码为CBF并集成到MPPI控制器,经火星车与四旋翼实验验证,可在复杂约束下实现高安全与效率的运动规划。
2026-08-26 cs.RO cs.SY eess.SY
CaRT: Certified Safety and Robust Tracking in Learning-based Motion Planning for Multi-Agent Systems
Jet Propulsion Laboratory(喷气推进实验室)
本文提出分层分布式 CaRT 框架,通过安全滤波器认证学习策略并由鲁棒滤波器跟踪安全轨迹,在确定性与随机扰动下保证多智能体非线性系统的安全及误差指数有界。
2023-08-13 cs.LG cs.MA cs.RO
Safety-Critical Control and Planning for Obstacle Avoidance between Polytopes with Control Barrier Functions
UC Berkeley(加州大学伯克利分校)
多面体间的避障问题是最优控制和基于优化的轨迹规划问题中的一个具有挑战性的课题。现有的工作要么解决这个问题,通过混合整数优化,依赖于简化的系统动力学,或通过模型预测控制与双变量使用距离约束,需要长的视野避障。在任何一种情况下,解决方案只能作为离线规划算法应用。在本文中,我们利用的属性,一个较小的地平线是足够的避障,通过使用离散时间控制障碍函数(DCBF)的约束,我们提出了一种新的优化配方与双变量的基础上DCBF生成一个无碰撞的动态可行的轨迹。所提出的优化公式具有较低的计算复杂性相比,现有的工作,可以作为一个快速的在线算法的控制和规划一般的非线性动力系统。我们验证了我们的算法不同的机器人形状,使用数值模拟与运动自行车模型,从而成功地通过迷宫环境中的多面体障碍物导航。
2022-05-31 cs.RO cs.SY eess.SY
Safe and Robust Motion Planning for Dynamic Robotics via Control Barrier Functions
University of Southern California(南加州大学)
控制障碍函数(CBF)被广泛应用于非线性系统的安全临界约束。最近,这些功能被纳入到一个路径规划框架,设计安全关键路线规划。然而,这些方法未能提供一个现实的路径,同时考虑到算法的运行时的复杂性和执行的安全关键的约束。本文提出了一种新的运动规划方法,使用著名的快速探索随机树(RRT)算法,强制CBF和机器人Kinodynamic约束,以产生一个安全的关键路线。该算法还输出相应的控制信号,导致无障碍路径。该方法还允许考虑模型的不确定性,将鲁棒CBF约束到所提出的框架。因此,所得到的路径没有任何障碍物,并考虑了来自机器人动力学和感知的模型不确定性。结果分析表明,所提出的方法优于传统的基于RRT的路径规划器,保证了安全的关键路线以最小的计算开销。我们提出了数值验证的算法上的CNOV7机器人车,一个微型自主无人地面车辆,执行动态导航的障碍重重的路径与各种不确定性的感知噪声和机器人动力学。
2021-10-22 cs.RO cs.SY eess.SY
Dynamic Tube MPC: Learning Tube Dynamics with Massively Parallel Simulation for Robust Safety in Practice
California Institute of Technology(加州理工学院);Georgia Institute of Technology(佐治亚理工学院)
本文提出动态管道MPC方法,利用大规模并行仿真学习跟踪性能与规划动作的关系,在实时优化中权衡性能与安全,并在3D跳跃机器人ARCHER上验证了敏捷安全导航能力。
2024-11-22 cs.LG cs.RO cs.SY
RRT-CBF Based Motion Planning
本文提出RRT-CBF运动规划方法,结合RRT算法与MPC动态更新约束施加控制屏障函数,在模型不确定性下实现静态与动态障碍物及多机器人间的安全避碰,并首次将其应用于非线性机器人手臂模型。
2024-10-01 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Probabilistic Planning Frameworks for Human-Robot Vehicle Interactions
Department of Aeronautics and Astronautics(航空与航天系);Department of Mechanical Engineering(机械工程系);School of Computing Science(计算科学学院)
本文提出一种最小干预的安全控制器,用于确保自动驾驶车辆与外部控制车辆的碰撞自由交互,通过实时控制器实现轨迹跟踪和安全保证,展示了在交通交织实验中自动驾驶车辆在对手车辆违反规划预期时仍能避免碰撞。
2018-12-29 cs.RO cs.SY eess.SY
On Infusing Reachability-Based Safety Assurance within Planning Frameworks for Human-Robot Vehicle Interactions
Stanford University(斯坦福大学);Simon Fraser University(西蒙弗雷泽大学)
行动预期、意图预测和主动行为都是交互式场景中自动驾驶策略的理想特征。然而,最重要的是确保道路安全--这样做的一个关键挑战是在不过度影响规划者表现的情况下考虑人类驾驶员行为的不确定性。本文介绍了一种在自主车辆控制栈内操作的最小干预安全控制器,其作用是确保与外部控制的(例如,人驱动的)对应物,同时考虑诸如道路边界墙的静态障碍物。我们利用可达性分析来构建一个实时(100 Hz)控制器,该控制器具有双重作用:(i)使用模型预测控制从更高级别的规划算法跟踪输入轨迹,以及(ii)通过保持无碰撞逃逸机动的可用性作为持久约束来确保安全性,而不管其他汽车未来采取什么行动。一个全尺寸的线控转向平台用于进行交通交织实验,其中两辆车,最初并排,必须在有限的时间和距离内交换车道,模拟汽车合并到/关闭高速公路。我们证明,通过我们的控制堆栈,自动驾驶汽车能够避免碰撞,即使另一辆车违背规划者的期望并采取危险行动,无论是不小心还是有意碰撞,否则偏离计划轨迹的程度最小,以保持安全。
2020-12-06 cs.RO cs.SY eess.SY
Autonomy Architectures for Safe Planning in Unknown Environments Under Budget Constraints
Department of Robotics, University of Michigan(机器人学系,密歇根大学);Department of Aerospace Engineering, University of Michigan(航空航天工程系,密歇根大学)
本文提出ReRoot框架,通过在线生长反向RRT*树从更新集出发,在未知环境中同时满足安全与预算约束,并在GNSS拒绝环境下用固定翼无人机仿真验证了其有效性。
2025-10-08 cs.RO cs.SY eess.SY
Safe Hierarchical Model Predictive Control and Planning for Autonomous Systems
Otto von Guericke University(奥托·冯·格里克大学);German Aerospace Center (DLR)(德国航空航天中心(DLR));Technical University of Darmstadt(达姆施塔特工业大学)
自动驾驶车辆的规划和控制通常是分层分离的。然而,不断提高的性能要求和在高度动态的环境中运行需要频繁地重新评估规划,并将控制和规划紧密集成,以确保安全。我们提出了一个集成的分层预测控制和规划方法来应对这一挑战。规划器和控制器是基于滚动时域最优控制问题的重复求解。该规划器可以选择不同的低层控制器模式,以增加灵活性和性能,而不是使用一个单一的控制器与大的安全裕度下的不确定性避免碰撞。规划是基于简化的系统动力学和安全性,但灵活的操作是通过基于混合整数线性规划公式的约束收紧来确保的。基于循环时域管的模型预测控制器保证了对不同控制模式和干扰的约束满足。这种模式的例子是具有高精度的低速运动和具有大的不确定性界限的高速运动。允许不同的控制模式减少了保守性,而问题的分层分解降低了计算成本,并使实时实现。我们推导出递归可行性的条件,以确保约束满足和避障,以保证安全,并确保层和模式之间的兼容性。仿真结果验证了所提出的分层策略的有效性和适用性。
2022-03-27 cs.RO 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
Action-Conditioned Risk Gating for Safety-Critical Control under Partial Observability
University of Virginia(弗吉尼亚大学);Google(谷歌);University of Maryland, College Park(马里兰大学 College Park 分校);Stanford University(斯坦福大学);Louisiana State University(路易斯安那州立大学);College of William and Mary(威廉与玛丽学院)
本文提出一种轻量级风险门控强化学习方法,用于部分可观测环境下风险敏感控制。通过构建紧凑的有限历史代理状态并学习动作条件化的短期安全违规预测,实现风险惩罚与决策时的保守评估,提升安全关键任务的性能与效率。
2026-05-14 cs.AI cs.LG cs.SY
Enhancing Lattice-based Motion Planning with Introspective Learning and Reasoning
Linköping University(林雪平大学)
基于格的运动规划是一种混合规划方法,其中由离散动作同时组成的规划是物理上可行的轨迹。规划考虑离散和连续方面,例如动作先决条件和配置空间中的无冲突动作持续时间。安全运动规划依赖于用于碰撞检查的校准良好的安全裕度。轨迹跟踪控制器还必须能够在该安全裕度内可靠地执行运动,以便执行是安全的。在这项工作中,我们关注的是随着时间的推移对控制器性能的内省学习和推理。不同动作的正常控制器执行是使用可靠的和不确定性感知的机器学习技术来学习的。通过校正执行偏差,我们设法大大减少运动动作的安全裕度。进行推理以验证学习的模型保持安全,并通过使用具有较小安全裕度的更准确的执行预测来提高运动规划器中的碰撞检查有效性。所提出的方法允许在正常情况下控制器性能的明确意识,并在异常情况下及时检测不正确的性能。采用仿真方法对四轴飞行器的非线性动力学进行了三维评估。视频:https://youtu.be/STmZduvSUMM
2021-12-06 cs.AI cs.LG cs.RO
SAFE--MA--RRT: Multi-Agent Motion Planning with Data-Driven Safety Certificates
Department of Mechanical Engineering, Michigan State University(机械工程系,密歇根州立大学)
针对无显式模型的共享空间多智能体运动规划问题,提出SAFE--MA--RRT框架,通过数据驱动生成不变椭球安全证书,结合采样规划与时空预留表实现可证明安全的动态可行轨迹,仅用数据和凸优化即可完成多智能体同步安全规划。
2025-09-04 cs.LG cs.MA cs.RO