具有离散时间控制屏障函数的安全关键模型预测控制

Jul, 2020

具有离散时间控制屏障函数的安全关键模型预测控制

Safety-Critical Model Predictive Control with Discrete-Time Control Barrier Function

Jun Zeng, Bike Zhang, Koushil Sreenath

TL;DR本研究提出了一种利用控制屏障函数的安全性关键模型预测控制策略，保证系统的安全性并通过模型预测控制实现最佳性能，同时在一个二维双积分器模型和一个竞速车辆模型上验证了该算法的有效性。

Abstract

The optimal performance of robotic systems is usually achieved near the limit of state and input bounds. model predictive control (MPC) is a prevalent strategy to handle these operational constraints, however, safety still remains an open challenge for MPC as it needs to guarantee that

model predictive control safety-critical control control barrier functions invariant set obstacle avoidance

发现论文，激发创造

具有控制障碍函数的安全关键控制学习

利用控制屏障函数的机器学习框架可以降低非线性控制系统中的模型不确定性，从而实现系统的安全行为。通过在 Segway 平台上进行模拟和实验验证，这种方法可以持续收集数据并更新控制器，最终实现安全行为。

Dec, 2019

基于控制束函数的二次规划安全关键系统

本文在实时基于优化的控制器的背景下，发展了一种方法论，将以控制层李雅普诺夫函数表达的性能目标与以控制屏障函数表示的安全条件相结合，并在二次规划的框架下演示了自适应巡航控制和车道保持这两个汽车控制问题的安全和性能的调节。

Sep, 2016

基于强化学习的自适应控制屏障函数的滑动时限控制在安全关键系统中的应用

通过使用基于控制障碍函数的强化学习（RL）的递进式规划控制（RHC）方法，我们提出了一种用于解决安全关键问题的最优控制方法，以模型预测控制（MPC）和控制障碍函数（CBFs）为基础，通过优化参数和学习控制输入，有效提高了性能并显著减少了不可行案例的数量。

Mar, 2024

基于学习控制的线性模型预测安全认证

本文提出模型预测安全认证 (MPSC) 方案，用于保证学习型控制器的安全性，并拓展安全状态集合的方法是使用基于场景优化的数据设计过程。

Mar, 2018

可证明安全且鲁棒的基于学习的模型预测控制

本研究介绍了一种学习基础的模型预测控制 (LBMPC) 方案，在提高系统性能的同时提供稳健性的确定性保证。该方案利用统计识别工具识别系统的更丰富模型，通过维护两个模型，可以在一个优化框架中将安全性和性能隔离。LBMPC 通过选择最小化成本的输入来提高性能，并通过检查模糊模型稳定性来确保安全性和鲁棒性。此外，我们证明如果系统充分兴奋，则 LBMPC 控制行动以概率收敛为使用真实动力学计算的 MPC 的行动。

Jul, 2011

基于障碍函数的端到端安全强化学习在安全关键型连续控制任务中的应用

本文提出了一种控制器架构，该架构将模型自由的强化学习控制器与利用控制屏障函数和未知系统动态的模型控制器相结合，以确保学习过程中的安全，并利用高斯过程对系统动态进行建模和不确定性分析。

Mar, 2019

通过学习不确定性的强鲁棒性控制壁函数实现安全的多智能体交互

通过 Matrix-Variate Gaussian Process 模型，学习高置信度范围，将其纳入强健的多代理 CBF 框架，并将其转换为可在实时中高效解决的二次规划问题，以提高安全性和适应学习到的动态不确定性。

Apr, 2020

学习混合系统安全控制的本地控制阻碍函数

本文提出一种基于学习的方法，通过构建基于神经网络的 Control Barrier Functions (CBFs) 来确保广泛类别的非线性混合动力系统的安全，从而解决现有方法的计算效率低、对系统性能不利或仅适用于小规模系统的问题。

Jan, 2024

使用强健神经李亚普诺夫障函数的安全非线性控制

本文提出一种基于模型学习的方法，根据鲁棒凸优化和 Lyapunov 理论定义了鲁棒控制 Lyapunov 阻碍函数，以实现具有安全性和稳定性保证的控制器，并在诸如汽车轨迹跟踪、带障碍物避障的非线性控制、带安全性约束的卫星交会和具有学习地效果模型的飞行控制等问题上展示了其模拟结果，表明我们的方法降低了计算成本，并且得到的控制器的能力与稳健 MPC 技术相匹配或优于其能力。

Sep, 2021

学习面向性能的控制屏障函数在复杂安全约束和有限执行中的应用

本研究提出了一种新颖的自监督学习框架，通过建立一个连续可微函数和平滑神经网络来参数化 Control Barrier Functions (CBF) 的候选项，然后设计一个基于 Hamilton-Jacobi 偏微分方程的训练损失函数来训练 CBF，从而同时增大感应控制不变集的体积，并通过数值实验证明了我们方法的有效性。

Jan, 2024