利用验证辅助学习神经网络障碍函数并具备终止保证
内容提要
本文介绍了一种基于控制屏障函数的学习框架，旨在提升机器人系统的安全性和稳定性。该方法结合鲁棒优化和Lyapunov理论，在多种自动驾驶场景中表现出色，降低了计算成本并提供了可证明的安全保证。同时，研究探讨了在有限训练数据下的安全保障，利用神经网络和自监督学习优化控制策略，增强系统的安全行为。
延伸解读
从理论到实践：控制屏障函数的学习框架
文章汇总了多个基于控制屏障函数（CBF）的学习框架研究，这些框架旨在从传感器数据中估计CBF，从而在未知状态空间区域实现机器人系统的安全操作。这些方法结合了鲁棒优化和Lyapunov理论，为控制器提供安全性和稳定性保证。例如，有研究通过鲁棒凸优化定义鲁棒控制Lyapunov阻碍函数，并在汽车轨迹跟踪、避障等场景中验证，表明能降低计算成本且性能与稳健MPC相当。
强化学习与概率CBF：自动驾驶的安全新途径
文章提到将控制屏障函数嵌入强化学习策略，使用概率CBF作为模型不确定性的估计，实现了安全高效的自动驾驶算法，并应用于高速公路匝道合并问题。此外，还有研究采用可微CBF与常规神经网络组合，在有限训练数据下保障安全，实现车道保持和避障，并在模拟和真实无人车上测试。这些工作展示了CBF在提升自动驾驶安全性方面的潜力。
自监督学习与神经网络CBF：扩大安全集与处理非光滑性
文章介绍了一种自监督学习框架，通过连续可微函数和平滑神经网络参数化CBF候选项，并基于Hamilton-Jacobi偏微分方程设计训练损失，以增大感应控制不变集的体积。另一项研究使用ReLU激活的前馈神经CBF，提出了确保安全性的条件和算法，解决了非光滑CBF上传统安全验证的难题。这些方法通过神经网络提升了CBF的表示能力和安全保证。
应对不确定性：随机系统与自适应多步CBF
针对随机动力系统在有限时间内的安全性，文章提出了基于随机控制屏障函数的屏障证书条件，量化系统退出安全区域的概率，并转化为平方和优化进行高效计算。此外，一种新颖的基于神经网络的自适应多步CBF方法被提出，以解决当前CBF在优化、稳定性和可行性方面的局限，并在各种场景下评估，表现出优于传统CBF方法的性能。
Q&A
控制屏障函数的学习框架有什么应用？
该框架可用于在未知状态空间区域中实现机器人系统的安全操作，适用于汽车轨迹跟踪和避障等问题。
如何通过控制屏障函数提高自动驾驶的安全性？
通过将控制屏障函数嵌入强化学习策略，使用概率控制屏障函数来估计模型不确定性，从而实现安全高效的自动驾驶算法。
该研究如何处理有限训练数据下的安全保障？
研究提出了一种基于控制屏障函数的学习方法，利用专家生成的安全轨迹进行优化，确保在有限训练数据下的安全性。
鲁棒控制Lyapunov阻碍函数的作用是什么？
鲁棒控制Lyapunov阻碍函数用于定义安全性和稳定性保证的控制器，提升系统在复杂环境中的表现。
自监督学习框架在控制屏障函数中的应用是什么？
自监督学习框架通过参数化控制屏障函数的候选项，增大感应控制不变集的体积，提高系统的安全性。
该研究如何降低非线性控制系统中的模型不确定性？
通过利用控制屏障函数的机器学习框架，持续收集数据并更新控制器，从而降低模型不确定性，实现安全行为。
