Learning Piecewise Residuals of Control Barrier Functions for Safety of Switching Systems using Multi-Output Gaussian Processes
University of Waterloo(滑铁卢大学)
本文提出一种基于多输出高斯过程的学习控制策略,通过近似切换系统中控制障碍函数和控制李雅普诺夫函数的分段残差,将机会约束转化为凸优化,确保系统在模型不确定性下的安全性。
2024-04-18 cs.RO cs.SY eess.SY
Safe and Stable Control Synthesis for Uncertain System Models via Distributionally Robust Optimization
Contextual Robotics Institute(情境机器人研究所);University of California San Diego(加州大学圣地亚哥分校)
本文研究了在模型不确定性存在的情况下,加强动力系统的安全性和稳定性。可以分别使用控制障碍函数(CBF)和控制李雅普诺夫函数(CLF)来指定安全性和稳定性约束。为了考虑模型的不确定性,通常考虑约束的鲁棒和机会公式。然而,这需要已知的误差界或模型不确定性的已知分布,并且所得到的公式可能遭受过度保守或过度自信。在本文中,我们假设只有一个有限集的模型参数不确定性样本是可用的,并制定了一个分布鲁棒机会约束规划(DRCCP)的控制综合CBF安全和CLF稳定性保证。为了方便有效地计算控制输入在线执行过程中,我们提出了一个重新制定的DRCCP作为二阶锥程序(SOCP)。我们的公式在自适应巡航控制示例中进行评估,并与1)基线CLF-CBF二次规划方法、2)假设系统不确定性已知误差界的鲁棒方法和3)假设已知不确定性高斯过程分布的机会约束方法进行比较。
2023-03-16 cs.RO math.OC
Safe Control Synthesis with Uncertain Dynamics and Constraints
University of California San Diego(加州大学圣地亚哥分校);University of Maine(缅因大学)
本文研究了动力系统的安全控制综合问题,该系统的动力学模型和安全约束都具有概率或最坏情况的不确定性。我们制定新的概率和鲁棒(最坏情况下)控制李雅普诺夫函数(CLF)和控制障碍函数(CBF)的限制,考虑到在任何情况下的不确定性的影响。我们表明,无论是概率或强大的(最坏情况下)制定导致二阶锥程序(SOCP),这使得有效的安全和稳定的控制合成。我们评估我们的方法在PyBullet模拟的自主机器人在未知环境中导航,并比较性能与基线CLF-CBF二次规划方法。
2022-09-30 cs.RO math.OC
Is Your Safe Controller Actually Safe? A Critical Review of CBF Tautologies and Hidden Assumptions
Department of Robotics, University of Michigan(机器人学系,密歇根大学)
本文批判性地审查了CBF在机器人安全中的应用,揭示了安全控制器理论与实际实现之间的差距,并提供了构建实际安全论证的实用指南。
2026-07-24 cs.RO cs.SY eess.SY
Learning a Better Control Barrier Function
New York University(纽约大学)
控制障碍函数(CBF)广泛应用于安全关键控制器中。然而,构造一个有效的CBF是具有挑战性的,特别是在非线性或非凸约束和高相对度系统。同时,找到一个保守的CBF,只恢复一部分真正的安全集通常是可能的。在这项工作中,从一个“保守的”手工制作的CBF(HCBF),我们开发了一种方法来找到一个CBF,恢复一个合理的较大部分的安全设置。由于学习的CBF控制器在训练迭代期间不能保证安全,因此我们使用模型预测控制器(MPC)来确保训练期间的安全性。使用所收集的包含安全和不安全交互的轨迹数据,我们训练神经网络来估计HCBF和CBF之间的差异,该CBF恢复更接近真实安全集的解。通过我们提出的方法,我们可以生成安全的控制器,这些控制器不那么保守,计算效率更高。我们验证我们的方法在两个系统上:二阶积分器和光束球。
2022-10-11 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
Taylor-Lagrange Control for Safety-Critical Systems
Robotics Engineering Department at Worcester Polytechnic Institute(沃斯特理工学院机器人工程系);Electrical and Computer Engineering Department at The University of North Carolina at Charlotte(北卡罗来纳大学夏洛特分校电气与计算机工程系)
本文提出泰勒-拉格朗日控制方法,用于非线性安全关键系统,通过泰勒定理与拉格朗日余项确保安全性和稳定性,并扩展至复域,适用于任意相对阶数的系统。
2025-12-12 cs.RO cs.SY eess.SY
Dynamic Collision Avoidance Using Velocity Obstacle-Based Control Barrier Functions
Zhejiang University(浙江大学);Shenzhen Polytechnic University(深圳职业技术大学)
本文提出在速度空间构建基于速度障碍的控制屏障函数(VOCBF),结合CLF和决策网络求解MIQP,实现加速度控制独轮机器人在动态环境中的高效避障,并扩展至多机器人系统。
2025-03-09 cs.RO
Learning Safe, Generalizable Perception-based Hybrid Control with Certificates
MIT(麻省理工学院)
许多机器人任务需要摄像头和激光雷达等高维传感器来导航复杂的环境,但围绕这些传感器开发可证明安全的反馈控制器仍然是一个具有挑战性的开放问题,特别是当涉及学习时。以往的工作已经证明了安全的感知反馈控制器分离的感知和控制子系统,并作出强有力的假设的感知子系统的能力。在这项工作中,我们介绍了一种新的学习使能的感知反馈混合控制器,在那里我们使用控制障碍函数(CBFs)和控制李雅普诺夫函数(CLFs),以显示一个全栈感知反馈控制器的安全性和活性。我们使用神经网络直接在机器人的观测空间中学习全栈系统的CBF和CLF,而不需要假设单独的基于感知的状态估计器。我们的混合控制器,称为LOCUS(学习启用观察-使用切换的反馈控制),可以安全地导航未知环境,始终达到其目标,并安全地推广到训练数据集之外的环境。我们在仿真和硬件实验中展示了LOCUS,它使用激光雷达传感器的反馈成功地导航了不断变化的环境。
2022-01-04 cs.RO cs.SY eess.SY
Designing Robust Linear Output Feedback Controller based on CLF-CBF framework via Linear~Programming(LP-CLF-CBF)
研究基于CLF-CBF框架和线性规划设计鲁棒线性输出反馈控制器,解决在单元可分解环境中利用路标测量进行导航的问题,提出了循环遍历和收敛稳定两种目标,并在仿真中验证了其对仅方位测量和受限相机视场等实际条件的鲁棒性。
2024-03-21 cs.SY eess.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
Feasible Space Monitoring for Multiple Control Barrier Functions with application to Large Scale Indoor Navigation
Toyota Motor North America, Research & Development(丰田北美汽车研发中心);University of Michigan(密歇根大学)
针对多CBF约束QP可能无解的问题,提出用可行空间体积构建FS-CBF以保证相容性,并在大规模动态室内导航中验证其优于标准CBF-QP。
2024-12-02 cs.RO math.OC
Control Barriers in Bayesian Learning of System Dynamics
University of Maine(缅因大学);Massachusetts Institute of Technology(麻省理工学院);University of California San Diego(加利福尼亚大学圣迭戈分校)
本文的重点是在线学习系统动力学模型,同时满足安全约束。我们的目标是避免离线系统辨识或手动指定的模型,并允许系统在操作过程中安全自主地估计和调整自己的模型。给定系统状态的流观测,我们使用贝叶斯学习来获得系统动态的分布。具体来说,我们提出了一个新的矩阵变量高斯过程(MVGP)回归方法与有效的协方差分解学习漂移和输入增益项的非线性控制仿射系统。MVGP分布被用来优化系统的行为,并确保高概率的安全性,通过指定控制李雅普诺夫函数(CLF)和控制障碍函数(CBF)的机会约束。通过求解二阶锥规划(SOCP),我们证明了对于具有任意相对度和概率CLF-CBF约束的系统,可以合成一个安全的控制策略。最后,我们将我们的设计扩展到自触发公式,自适应地确定需要应用新的控制输入以保证安全的时间。
2021-08-28 cs.RO cs.SY eess.SY
Adaptive Control Barrier Functions for Safety-Critical Systems
Boston University(波士顿大学)
最近的工作表明,稳定仿射控制系统的期望(集)的状态,同时优化二次成本和观察状态和控制约束,可以减少到二次规划(QP)通过使用控制障碍函数(CBF)和控制李雅普诺夫函数。在我们最近的工作中,我们定义了高阶CBF(HOCBF),以适应具有任意相对度的系统和约束,并使用惩罚方法来增加相应的QP的可行性。在本文中,我们引入自适应CBF(AdaCBFs),可以适应时变的控制界限和动态噪声,并解决可行性问题。我们的方法的核心是在AdaCBF的定义中引入罚函数,并为这些罚函数定义辅助动力学,这些罚函数是HOCBF,并由CLF稳定。我们证明了所提出的方法的优点,将其应用到巡航控制问题与不同的路面,轮胎打滑,和动态噪声。
2020-02-11 cs.RO cs.SY eess.SY
Adaptive Deadlock Avoidance for Decentralized Multi-agent Systems via CBF-inspired Risk Measurement
University of Illinois Chicago(伊利诺伊大学芝加哥分校);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)
本文提出统一CLF与CBF的去中心化安全控制框架,利用受CBF启发的风险度量自适应激活辅助死锁解决机制,从而避免多智能体停滞并提升任务效率。
2025-03-09 cs.RO cs.SY eess.SY
Sufficient Conditions for Feasibility of Optimal Control Problems Using Control Barrier Functions
Boston University(波士顿大学)
利用控制障碍函数(CBF)和控制李雅普诺夫函数(CLF),仿射控制系统在满足状态和控制约束的同时,以期望的状态收敛性为约束,优化二次代价,可以归结为一系列二次规划。这种方法的主要挑战之一是确保这些QP的可行性,特别是在严格的控制界限和高相对程度的安全约束下。本文给出了保证可行性的充分条件。充分条件由CBF强制的单个约束捕获,CBF被添加到QP,使得它们的可行性总是得到保证。额外的约束被设计为总是与现有的约束兼容,因此,它不能使一组可行的约束不可行-它只能增加整体可行性。我们说明了所提出的方法对自适应巡航控制问题的有效性。
2020-11-16 cs.RO cs.SY eess.SY
Compatibility of Multiple Control Barrier Functions for Constrained Nonlinear Systems
Department of Mechanical and Civil Engineering, California Institute of Technology(机械与土木工程系,加州理工学院);The Boeing Company(波音公司)
针对现有多数控制障碍函数(CBF)研究仅适用于单约束、难合成多状态约束下可证安全控制器的问题,本文提出采用多个CBF处理输出箱型约束的非线性系统约束控制框架,证明了向量相对度下CBF约束的兼容性与控制器特性,并通过平面四旋翼仿真验证了有效性。
2025-09-04 cs.RO cs.SY eess.SY
Towards Data-Driven Model-Free Safety-Critical Control
Maersk Mc-Kinney Moller Institute, University of Southern Denmark(马士基麦金尼莫勒研究所,丹麦南方大学)
针对无模型 CBFs 中衰减率未知导致参数需手动调节的问题,提出用神经网络学习 Lyapunov 函数并估计最大衰减率,结合 Chernoff 界构建概率安全条件,在 UR5e 上验证了安全速度控制效果。
2025-06-07 cs.RO cs.SY eess.SY
Efficient Motion Planning for Manipulators with Control Barrier Function-Induced Neural Controller
Massachusetts Institute of Technology(麻省理工学院);University of California, San Diego(加利福尼亚大学圣迭戈分校);Ford Motor Company(福特汽车公司)
本文提出CBF诱导神经控制器增强的RRT方法,将控制屏障函数避障能力与RRT长时域规划相结合,在拥挤环境中显著提高机械臂运动规划成功率并减少采样节点数。
2024-04-01 cs.LG cs.RO
A Unified Framework for Attack-Resilient CLF-CBF Quadratic Programs for Nonlinear Control-Affine Systems
University of Connecticut(康涅狄格大学)
本文提出了一种针对非线性控制仿真的攻击鲁棒CLF-CBF二次规划统一框架,通过嵌入统一的自适应补偿项,实现了在控制输入虚假数据注入攻击下有限时间内恢复到名义安全集,无需事先确定攻击幅度上限,仅依赖于增长率分析和在线增益调节律。
2026-05-19 cs.SY eess.SY
On the Stability of Undesirable Equilibria in the Quadratic Program Framework for Safety-Critical Control
Faculty of Engineering, University of Porto(波尔图大学工程学院)
本文研究了CLF-CBF-QP框架中均衡点的形成与稳定性,提出CLF-CBF兼容性概念,并为线性系统设计了满足兼容性的控制策略,以实现多安全目标下的安全性和轨迹准全局收敛。
2026-03-15 cs.SY eess.SY
Obstacle Avoidance for Unicycle-Modelled Mobile Robots with Time-varying Control Barrier Functions
Zhejiang University(浙江大学);Cruise LLC(Cruise有限责任公司)
针对独轮车模型移动机器人,提出结合时变CBF与CLF的QP安全关键控制器,通过同时控制线速度和角速度实现实时导航与动态避障。
2023-07-17 cs.RO
High Order Control Lyapunov-Barrier Functions for Temporal Logic Specifications
Boston University(波士顿大学)
最近的工作表明,稳定的仿射控制系统的期望状态,同时优化的二次成本受到状态和控制约束,可以减少到一系列的二次规划(QP)通过使用控制障碍函数(CBF)和控制李雅普诺夫函数(CLF)。在我们最近的工作中,我们定义了高阶CBF(HOCBF)的系统和约束与任意相对程度。本文将高阶控制李雅普诺夫-障碍函数(HOCLBF)推广到不满足状态约束和任意相对次数约束的初始状态。我们还表明,建议HOCLBFs可以用来保证布尔满足信号时序逻辑(STL)公式的系统状态。我们说明了我们的方法上的一个安全关键的最优控制问题(OCP)的一个单一的。
2021-02-12 cs.RO cs.SY eess.SY
Provably Safe Control of Lagrangian Systems in Obstacle-Scattered Environments
KTH Royal Institute of Technology(KTH皇家理工学院)
针对一类拉格朗日系统在障碍物环境中的安全性和渐近稳定性问题,提出了一种混合反馈控制律。而不是执行轨迹规划和实施的随机跟踪反馈控制律,我们的方法需要在环境中的位置序列(路径计划)和抽象的无障碍空间。遵循路径计划的问题被解释为一系列的到达-避免问题:系统需要连续到达路径计划的每个位置,同时保持在安全区域内。无障碍椭圆体被用作定义这种安全区域的一种方式,每个安全区域包含两个连续的位置。可行控制障碍函数(CBF)直接从几何约束(椭球体)创建,确保前向不变性,因此安全。每个位置的可达性由渐近稳定的控制李雅普诺夫函数(CLF)保证。然后将CBF和CLF编码成二次规划(QP),而不需要松弛变量。此外,我们还提出了一个切换机制,保证控制律是正确的,定义良好,即使在QP之间的过渡。仿真结果表明,该方法在两个复杂的情况下的有效性。
2020-09-04 cs.RO math.OC
Safe and Dynamically-Feasible Motion Planning using Control Lyapunov and Barrier Functions
University of California, San Diego(加利福尼亚大学圣迭戈分校);DEVCOM US Army Research Laboratory(美国陆军DEVCOM研究实验室)
本文提出C-CLF-CBF-RRT算法,结合RRT、CLF和CBF为控制仿射系统生成安全且动态可行的无碰撞路径,并证明其计算高效性与概率完备性。
2025-03-12 cs.RO cs.SY eess.SY
Humanoid Self-Collision Avoidance Using Whole-Body Control with Control Barrier Functions
Massachusetts Institute of Technology(麻省理工学院)
这项工作结合了控制障碍功能(CBF)与全身控制器,使自我碰撞避免麻省理工学院的人形。现有的反应控制器的自碰撞避免不能保证无碰撞的轨迹,因为它们不利用机器人的全部动力学,从而损害运动学的可行性。相比之下,所提出的CBF-WBC控制器可以实时推理机器人的欠驱动动力学,以保证无碰撞运动。仿真结果验证了该方法的有效性。首先,一个简单的伸手实验表明,CBF-WBC使机器人的手偏离一个不可行的参考轨迹,以避免自碰撞。第二,CBF-WBC与设计用于动态运动的线性模型预测控制器(LMPC)相结合,并且CBF-WBC用于跟踪LMPC预测。步行实验表明,添加CBF避免腿部自碰撞时,由高层次的规划器提供的脚步位置或摆动轨迹是不可行的真实机器人,并产生可行的手臂运动,提高干扰恢复。
2022-11-06 cs.RO
Whole-body Dynamic Collision Avoidance with Time-varying Control Barrier Functions
Zhejiang University(浙江大学)
本文提出一种基于机器人中心欧几里得符号距离场构造时变控制屏障函数的安全关键控制器,结合控制李雅普诺夫函数并转化为二次规划问题,实现 L 形机器人全身动态避障。
2023-11-30 cs.RO
DADEE: Well-calibrated uncertainty quantification in neural networks for barriers-based robot safety
University of Maine(缅因大学)
本文针对基于控制屏障函数的机器人安全控制,提出DADEE方法,通过结合模型方差类与直接估计类不确定性量化算法,提升域内与域外不确定性估计精度,从而获得更安全的CBF机器人控制器。
2024-06-30 cs.LG cs.RO cs.SY
Construction of Control Lyapunov-Barrier Functions from CLF-CBF Pairs
The City College of New York, The City University of New York(纽约市立学院,纽约市立大学);University of California San Diego(加州大学圣地亚哥分校)
本文研究从CLF和CBF对构造CLBF,通过非负权重刻画下降条件,提出联合水平集容许性条件,并用一阶PDE构造CLBF,示例证明其能实现安全镇定。
2026-09-11 cs.SY eess.SY
Control Barrier Functions with Audio Risk Awareness for Robot Safe Navigation on Construction Sites
本文提出一种基于控制障碍函数的机器人安全导航方法,通过音频风险提示增强避障能力,有效提升建设工地环境下的自主导航安全性。
2026-02-12 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
Model Predictive Path Integral Methods with Reach-Avoid Tasks and Control Barrier Functions
Toyota Motor North America R & D(丰田北美研发中心)
本文扩展了CBFkit工具箱,结合基于可达-避障代价的规划器与MPPI控制器,利用控制屏障函数在不确定环境下提供正式安全保证,支持多种机器人应用。
2024-07-18 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
Safe Control Synthesis for Hybrid Systems through Local Control Barrier Functions
Toyota(丰田)
针对混合动力系统状态不连续导致的安全控制综合难题,提出基于局部控制障碍函数(CBF)构建切换CBF控制器的方法,实现模式间安全切换并提供全局安全保证。
2023-11-28 cs.RO cs.SY eess.SY
Comparative Analysis of Control Barrier Functions and Artificial Potential Fields for Obstacle Avoidance
Caltech(加州理工学院);Aerovironment(航空环境公司)
近40年来,人工势场(APF)及其变体一直是移动机器人和机械手避碰的主要方法。它的模型独立性,易于实现和实时性能在多年来的持续成功中发挥了重要作用。另一方面,控制障碍函数(CBF)是最近的发展,通常用于以标称控制器上的滤波器的形式实时保证非线性系统的安全性。在本文中,我们解决的APFs和CBFs之间的连接。在理论层面上,我们证明了APF是CBF的一个特例:给定一个APF,就可以得到一个CBF,反之则不然。此外,我们证明了从APF获得的CBF具有额外的有益特性,可以应用于非线性系统。在实践中,我们比较了APF和CBF的性能在避障的情况下,简单的说明性的例子和四旋翼,无论是在模拟和硬件上使用板载传感。这些比较表明,CBF优于APF。
2020-10-19 cs.RO cs.SY eess.SY
Adaptive Sampling-based Motion Planning with Control Barrier Functions
基于采样的算法,例如快速探索随机树(RRT)及其变体,已经广泛用于运动规划。控制障碍函数(CBF)最近已被提出来综合控制器的安全关键系统。在本文中,我们结合了有效性的RRT为基础的算法的CBF提供的安全保证的方法称为CBF-RRT $^\ast$。CBF用于RRT $^\ast$的局部轨迹规划,避免了扩展路径的显式碰撞检查。我们证明了CBF-RRT $^\ast$保持了RRT $^\ast$的概率完备性。此外,为了提高算法的采样效率,我们配备了一个自适应的采样过程,这是基于交叉熵方法(CEM)的重要性采样(IS)的算法。该过程利用样本树将采样集中在配置空间的有希望区域。我们通过仿真例子证明了所提出的算法的有效性。
2022-06-01 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
Stable and Safe Reinforcement Learning via a Barrier-Lyapunov Actor-Critic Approach
University of Oxford(牛津大学)
本文提出 BLAC 框架,将 CBF、CLF 与 actor-critic 强化学习结合,并辅以备份控制器,在仿真中实现安全稳定控制且减少约束违反。
2023-09-28 cs.LG cs.RO cs.SY
Stability Enhancement in Reinforcement Learning via Adaptive Control Lyapunov Function
School of Astronautics, Beihang University(北航航天学院)
本文提出SAC-CLF框架,通过任务特定CLF设计、动态约束调整和控制输入平滑化三项创新,增强强化学习的稳定性与安全性,并在非线性系统和卫星姿态控制实验中验证了其有效性。
2025-01-18 cs.LG cs.RO
SHIELD: Safety on Humanoids via CBFs In Expectation on Learned Dynamics
Mechanical and Civil Engineering, California Institute of Technology(加州理工学院机械与土木工程系);Aerospace Engineering and Engineering Mechanics, UT Austin(德克萨斯大学奥斯汀分校航空航天工程与工程力学系);Computer Science, Cornell University(康奈尔大学计算机科学系)
提出SHIELD框架,通过训练随机动力学残差模型并利用随机离散时间CBF在概率上保证安全,为黑箱RL控制器添加最小侵入式安全层,在Unitree G1人形机器人上实现安全导航。
2026-06-23 cs.RO
Converse Theorems for Certificates of Safety and Stability
本文针对非线性控制系统中控制障碍函数(CBFs)的存在性提出逆定理,给出安全集存在CBF的充分条件及扩展CBF定义,并针对联合安全与稳定性问题给出CLBF和兼容CLF-CBF对存在的条件及构造方法。
2025-02-11 cs.SY eess.SY math.OC
Learning Local Control Barrier Functions for Hybrid Systems
University of Pennsylvania(宾夕法尼亚大学);Shanghai Jiao Tong University(上海交通大学)
针对现有混合系统安全控制方法存在的计算低效、性能损害或规模限制问题,本文提出基于学习的局部控制障碍函数构建方法,实现了计算高效、低侵入性且适用于大规模系统的安全神经CBF切换控制器,并通过实证验证了其有效性与灵活性。
2024-11-29 cs.LG cs.RO cs.SY
Adaptive Safe Merging Control for Heterogeneous Autonomous Vehicles using Parametric Control Barrier Functions
Carnegie Mellon University(卡内基梅隆大学)
随着对机器人安全自主性的日益重视,基于模型的安全控制方法如控制障碍函数已被广泛研究,以确保在机器人之间的相互作用的安全性。在本文中,我们引入了参数控制障碍函数(参数CBF),传统的控制障碍函数的一种新的变体,以扩展其表达能力,在描述不同的安全行为之间的异构机器人。而不是假设合作和同质的机器人使用相同的安全控制器,自我机器人能够通过不同的参数CBF与观察到的数据模型的相邻机器人的底层安全控制器。给定学习的参数CBF和证明的前向不变性,它为自我机器人提供了更大的灵活性,以更好地与其他异构机器人协调,提高效率,同时享受形式上可证明的安全保证。我们展示了使用参数CBF的行为预测和自适应安全控制的坡道合并的情况下,从自动驾驶的应用。与传统的CBF相比,参数CBF的优点是捕捉不同的驱动程序的特性,提供更丰富的描述机器人的行为在安全控制的上下文中。数值仿真验证了该方法的有效性。
2022-02-20 cs.RO
Hierarchical Relaxation of Safety-critical Controllers: Mitigating Contradictory Safety Conditions with Application to Quadruped Robots
California Institute of Technology(加州理工学院)
本文提出层次化松弛方法(Relaxed-CBF-QP与Hierarchical-CBF-QP)解决安全关键控制中矛盾安全条件导致的QP不可行问题,并通过采样确定权重,在四足机器人上验证了有效性。
2023-05-06 cs.RO
Rate-Tunable Control Barrier Functions: Methods and Algorithms for Online Adaptation
University of Michigan(密歇根大学)
本文提出可调速率控制屏障函数,通过在线调整K类函数参数,使轨迹更接近参考且远离安全边界,并给出多约束兼容条件及多智能体系统的信任因子更新方法。
2023-12-21 cs.RO math.OC
Embedding Semantic Risk into Distance Fields and CBFs for Online Monocular Safe Control
Division of Systems Engineering, Boston University(系统工程系,波士顿大学);Department of Mechanical Engineering, Boston University(机械工程系,波士顿大学);Department of Electrical and Computer Engineering, Texas A&M University(电气与计算机工程系,德克萨斯农工大学)
提出一种在线单目感知到控制框架,通过将语义风险直接嵌入欧几里得符号距离场(ESDF),在控制优化前编码风险,实现基于控制障碍函数(CBF)的语义感知安全导航与遥操作。
2026-06-18 cs.RO
Neural Control Barrier Functions for Safe Navigation
Norwegian University of Science and Technology (NTNU)(挪威科技大学)
本文提出一种受SDRE启发、在仿真中联合学习CBFs及安全控制器的新方法,并开发了无需一致地图或位置估计的反应式安全过滤器,成功应用于多旋翼平台实现未知环境下的安全导航。
2024-07-29 cs.RO
Universal Formula Families for Safe Stabilization of Single-Input Nonlinear Systems
The City College of New York, The City University of New York(纽约市立学院,纽约市立大学);University of California San Diego(加州大学圣地亚哥分校)
本文提出一种无需优化的框架,利用给定的控制李雅普诺夫函数和控制屏障函数实现单输入非线性系统的安全稳定化,通过通用稳定器公式构造闭环反馈律,实现渐近稳定和安全集内不变性。
2026-03-24 cs.SY eess.SY math.OC
Hybrid Lyapunov and Barrier Function-Based Control with Stabilization Guarantees
NOVA School of Science and Technology (NOVA-FCT)(诺瓦科学及技术学院);Instituto Superior Técnico (IST)(里斯本高等技术学院);Lusófona University(卢索弗纳大学)
本文提出一种混合CLF-CBF控制框架,提供全局渐近稳定和安全保证,通过递归方法扩展至高阶系统,通过仿真验证其有效性。
2026-03-16 cs.SY eess.SY
Online Learning-Enhanced High Order Adaptive Safety 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)
本文提出一种基于神经ODE的在线学习增强高阶自适应控制屏障函数,用于提升系统安全性,尤其在复杂时变模型扰动下保持安全距离。
2026-04-12 cs.RO
A Collision Cone Approach for Control Barrier Functions
Robert Bosch Center for Cyber-Physical Systems (RBCCPS)(罗伯特博世网络物理系统中心);Indian Institute of Science (IISc)(印度科学学院);University of Waterloo(滑铁卢大学)
本研究提出碰撞锥启发的新型控制屏障函数公式,基于CBF-QP开发实时控制器,在地面与空中无人载具的仿真和硬件实验中验证了其低保守性的动态避障效果。
2024-03-11 cs.RO
Pointwise Feasibility of Gaussian Process-based Safety-Critical Control under Model Uncertainty
University of California, Berkeley(加州大学伯克利分校)
控制障碍函数和控制李雅普诺夫函数分别是增强被控系统安全性和稳定性的常用工具。它们通常用于建立约束,这些约束可以并入求解安全关键控制输入的最小范数二次规划(CBF-CLF-QP)中。然而,由于这些约束依赖于系统的模型,当该模型不准确时,安全性和稳定性的保证很容易丧失。在本文中,我们提出了一种基于高斯过程(GP)的方法来解决使用CBF和CLF的安全关键控制器中的模型不确定性问题。所考虑的模型的不确定性是受状态和控制输入。我们推导出这样的模型的不确定性对CBF和CLF的动态的影响的概率界。然后,我们使用这些界限来建立安全性和稳定性的机会约束,可以纳入一个最小范数凸优化为基础的控制器,称为GP-CBF-CLF-SOCP。作为本文的主要理论结果,我们提出了所提出的优化问题的逐点可行的必要条件和充分条件。我们认为,这些条件可以作为理解从真实系统收集的数据分布的最低要求的起点,以保证安全。最后,我们验证了所提出的框架与数值模拟的自适应巡航控制器的汽车系统。
2021-10-01 cs.LG cs.SY eess.SY
Sailing Through Point Clouds: Safe Navigation Using Point Cloud Based Control Barrier Functions
Control/Robotics Research Laboratory(控制与机器人研究实验室)
提出一种由Vessel和Mariner组成的基于点云CBF的局部规划器,实现非结构化环境中的安全导航,并在Unitree四足机器人上验证了其有效性。
2024-07-16 cs.RO
Safety-Critical Control using Optimal-decay Control Barrier Function with Guaranteed Point-wise Feasibility
安全性是机器人技术的基本问题之一。最近,一个基于二次规划的控制障碍函数(CBF)方法已经出现作为一种方式来执行安全关键约束。与控制李雅普诺夫函数(CLF)一起,构成了一种安全关键控制策略CLF-CBF-QP,它可以在实现控制目标和确保安全之间进行调解,同时具有实时可执行性。然而,一旦引入诸如输入约束之类的附加约束,CLF-CBF-QP就可能遇到不可行性。为了解决由于不可行性而产生的挑战,我们提出了一种用于安全关键控制的最佳衰减形式,其中CBF的衰减率在时间上逐点优化,以便当状态位于安全集内时保证逐点可行性。所提出的控制设计的数值验证使用自适应巡航控制的例子。
2021-03-23 cs.SY eess.SY