基于控制屏障函数的神经控制器的高效运动规划

研究了一种新型控制屏障函数（FT-NCBF）方法，旨在确保机器人系统在传感器故障和攻击下的安全控制。

通过机器学习和控制防护函数，提出了一种高维非线性系统的安全控制器合成方法，实验表明该方法能有效避免输入饱和并维持安全。

提出了一种新颖的自监督学习框架，通过建立连续可微函数和平滑神经网络来参数化控制屏障函数（CBF），并设计基于Hamilton-Jacobi偏微分方程的训练损失函数。

基于控制障碍函数的强化学习方法，提出了一种用于解决安全关键问题的最优控制方法，显著提高了性能并减少了不可行案例的数量。

提出了一种控制器架构，将模型自由的强化学习控制器与控制屏障函数结合，以确保学习过程中的安全。

通过将高阶控制界函数集成到神经常微分方程学习模型中，解决非仿射控制系统的安全性问题，并应用于基于LiDAR的自动驾驶。

提出了一种基于学习的方法，通过构建基于神经网络的控制屏障函数，解决现有方法的计算效率低和对系统性能不利的问题。