基于 LiDAR 的目标寻找和探索框架，解决了在不规则环境中在线避障的效率问题，并通过利用缓冲区域进行动态障碍的在线构建以及安全导航，实现了机器人在多障碍动态环境中高效、安全地达到目标位置。

Feb, 2024

本文提出了一个安全学习框架，该框架采用自适应模型学习算法以及障碍证书，用于具有可能非平稳智能体动态的系统。本文使用稀疏优化技术提取模型的动态结构，并结合控制障碍证书来保持安全。在一定条件下，保证了违反安全性后的 Lypunov 稳定恢复。最终证明了该框架通过仿真和测试的方式，在具有未知、高度复杂和非平稳动态的机器人系统中是有效的。

Jan, 2018

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

本文介绍了一种基于感知的学习系统的安全保障框架，该系统采用可微控制屏障函数，与常规神经网络结构组合使用，可在有限训练数据下实现优异的测试性能，在自动驾驶情境下保障安全，包括实现车道保持和避障等功能，并在模拟和真实无人车上进行了测试。

Mar, 2022

该论文提出了一种新的随机最优控制和随机动态优化的公式，以确保状态和控制约束的安全性，通过前向 - 后向随机微分方程，随机屏障函数，可微凸优化和深度学习等方法，设计了一种神经网络架构用于安全轨迹优化，同时在三个系统上进行了仿真来展示该方法的有效性。

Sep, 2020

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

本文通过将高阶控制界函数（HOCBFs）集成到神经常微分方程学习模型中作为可微的控制界函数，来解决安全关键控制问题中的非仿射控制系统的安全性问题，并能学习复杂和最优控制策略，将其应用于基于 LiDAR 的自动驾驶，并与现有方法进行比较。

Sep, 2023

本研究主要探讨基于模型的强化学习中的安全性和鲁棒性问题，包括使用贝叶斯神经网络描述动态模型来计算迭代预测的到达 - 避免概率，以及使用控制综合算法综合出最佳控制策略以满足安全性约束和学习到的动态模型。

Oct, 2023

该论文提出了一种基于梯度的 B 样条轨迹优化算法，利用机器人的视觉感知，可以在动态环境中快速、安全地生成避障轨迹。

Sep, 2022

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