本文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。此外，研究还探讨了基于强化学习的最优控制方法和神经网络的控制屏障函数，以提高安全性和计算效率。

本文提出了一种结合强化学习与控制屏障函数的控制器架构，旨在确保系统的安全性和稳定性。通过高斯过程建模系统动态，利用自监督学习框架和控制李雅普诺夫函数来优化控制器参数。实验结果表明，该方法在非线性控制系统中有效降低模型不确定性，提升安全性和性能。

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。

本文综述机器人自主导航与安全控制研究，涵盖可微控制屏障函数、强化学习与模型控制结合、神经控制屏障函数、B样条轨迹优化及动态障碍物跟踪预测等方法，并在自动驾驶、无人机和真实机器人上验证了安全性与可靠性。

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。

该文综述安全强化学习研究，涵盖多种方法：SABRE元算法利用离线安全反馈主动学习，确保不采取不安全操作并获得近似最优策略；基于Lyapunov的方法平衡约束满足与性能优化；强化学习结合轨迹优化实现高奖励与近零违规；控制屏障函数与高斯过程保障学习安全；SLUCB-QVI等算法实现安全下的低遗憾；统一框架DRAC兼顾任务与安全策略；鲁棒不变集合应对干扰；控制理论安全过滤器认证策略安全。