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
内容提要
该文综述基于控制屏障函数（CBF）的安全控制器学习方法，涵盖：利用专家安全轨迹学习CBF并提供可证明安全保证；用神经网络自适应多步CBF提升优化与可行性；结合机器学习降低模型不确定性；将高阶CBF嵌入神经常微分方程处理非仿射系统；提出避免输入饱和的高维非线性控制器；融合李雅普诺夫性能目标与CBF安全约束；用ReLU前馈神经CBF解决非光滑验证；以高斯过程建模不确定性并转为实时二次规划；结合强化学习与CBF保障学习过程安全；并在CBF证书偶尔不可行时通过探索恢复可行性以保证安全。
延伸解读
从理论保证到工程落地的关键挑战
文章列举的多项研究显示，CBF方法正从理论证明走向复杂场景验证，如四轴飞行器-摆系统、自动驾驶和Segway平台。但需注意，这些验证多基于特定实验条件，实际部署时模型不确定性、输入饱和与实时计算负担仍是主要障碍。例如，高斯过程建模虽能处理不确定性，但计算成本可能限制高维系统应用。
安全与性能的权衡策略
文章提到将李雅普诺夫性能目标与CBF安全约束结合，并在二次规划框架下调节。这暗示实际设计中安全与性能常需折中：过于保守的安全约束可能牺牲跟踪精度或响应速度。自适应巡航和车道保持的案例表明，这种结合可在保证安全的同时维持性能，但调节过程依赖具体场景和参数整定。
应对CBF不可行性的恢复机制
当模型不确定性过高导致鲁棒CBF证书不可行时，文章介绍了一种通过探索系统动力学收集数据来恢复可行性的方法，且无需备份非学习型控制器。这为安全关键系统提供了新思路，但前提是采样频率足够高。实际应用中需评估探索过程本身的风险，以及数据收集对系统实时性的影响。
Q&A
基于控制屏障函数（CBF）的安全控制器学习方法有哪些主要类型？
文章综述了多种基于CBF的安全控制器学习方法，包括：利用专家安全轨迹学习CBF并提供可证明安全保证；用神经网络自适应多步CBF提升优化与可行性；结合机器学习降低模型不确定性；将高阶CBF嵌入神经常微分方程处理非仿射系统；提出避免输入饱和的高维非线性控制器；融合李雅普诺夫性能目标与CBF安全约束；用ReLU前馈神经CBF解决非光滑验证；以高斯过程建模不确定性并转为实时二次规划；结合强化学习与CBF保障学习过程安全；以及在CBF证书偶尔不可行时通过探索恢复可行性。
如何利用专家安全轨迹学习控制屏障函数并保证安全性？
文章提出一种基于学习的方法，假设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，该方法具有可证明的安全保证。
神经网络自适应多步CBF方法相比传统CBF有什么优势？
文章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在优化、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，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。
如何处理非仿射控制系统的安全问题？
文章通过将高阶控制屏障函数（HOCBFs）集成到神经常微分方程学习模型中作为可微的控制屏障函数，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。
如何避免高维非线性系统控制中的输入饱和问题？
文章使用机器学习技术，基于控制屏障函数（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。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。
当CBF证书偶尔不可行时，如何保证学习过程中的安全性？
文章考虑了基于控制屏障函数（CBF）二阶锥规划的具有鲁棒安全证书的学习环境。如果CBF证书可行，则利用它保证安全性；否则，通过探索系统动力学来收集数据，恢复CBF约束的可行性。采用受贝叶斯优化启发的方法，证明如果采样频率足够高，可以恢复鲁棒CBF证书的可行性，从而保证安全性。该方法不需要先验模型，是第一个在存在偶尔不可行安全证书的情况下无需备份非学习型控制器即可保证安全的算法。
