Jan, 2024

学习混合系统安全控制的本地控制阻碍函数

PDF
TL;DR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。
hybrid dynamical systemssafety-critical control approacheslearning-enabled approachcontrol barrier functions (cbfs)neural cbf-based switching controller
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

  • 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

  • 从专家演示中学习控制屏障函数

    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

  • 控制障碍函数的最优性、稳定性和可行性：一种基于自适应学习的方法

    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

  • 具有可微控制界函数的非仿射控制系统的安全神经控制

    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

  • 具有神经控制屏障函数的输入限制安全控制

    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

  • 机器人系统下的容错神经控制屏障函数应对传感器故障和攻击

    研究了在传感器故障和攻击下对机器人系统进行安全关键控制综合的新型控制屏障函数（FT-NCBF）方法，并通过数据驱动的学习方法提供了安全保证。

    Feb, 2024

  • 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

  • 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

  • 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