本文提出一种基于学习的方法来合成安全控制器，该方法基于控制屏障函数，考虑非线性控制仿射动力系统的情况，并假设我们可以访问由专家生成的安全轨迹，在此基础上，提出和分析了基于优化的 CBF 学习方法，其具有可证明的安全保证。

Apr, 2020

本文提出了一种新颖的基于神经网络的自适应多步控制屏障函数方法，以解决当前控制屏障函数的优化、稳定性和可行性等方面的局限性，在各种场景下对一阶和二阶系统进行了评估，并定量定性地表明相对于传统控制屏障函数方法，该方法有着更出色的表现。

May, 2023

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

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

使用机器学习的技术，基于控制防护函数（CBF），提出一种避免输入饱和的高维、一般化的非线性系统安全控制器合成方法，并通过 10D 状态，4D 输入的四轴飞行器 - 摆系统的实验结果表明，该方法能够在近 100％的实验中避免输入饱和并维持安全。

Nov, 2022

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

通过使用 ReLu 激活函数的前馈神经控制屏障函数，本研究提出了一种新颖的确保安全性的条件和算法，解决了难以在非光滑控制屏障函数上进行传统安全验证的问题。

Oct, 2023

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

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