Apr, 2024

基于控制屏障函数的神经控制器的高效运动规划

PDF
TL;DR为了解决运动规划中昂贵的碰撞检测和高采样复杂性的问题，我们提出了一种基于控制屏障函数（CBF）的新型可推广的控制器，通过使用 CBF 引导的神经控制器（CBF-INC）生成控制信号，将系统引导到来自 RRT 采样配置的路径，从而结合了 CBF 和 RRT 的优势。
motion planningmanipulatorscollision checkingcontrol barrier functionneural networks
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • ReLU 神经控制屏障函数的精确验证

    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

  • 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

  • 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