⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

Diese Arbeit stellt einen Ansatz zur Synthese sicherheitskritischer Regler für nichtlineare Systeme höherer Ordnung vor, der durch die Einführung rekurrenter Tracking-Funktionen (RTFs) die strenge Monotoniebedingung herkömmlicher Lyapunov-Funktionen aufweicht und es ermöglicht, Sicherheitsbarrieren in reduzierten Modellen zu konstruieren, um gleichzeitig die Sicherheit des vollständigen Systems zu garantieren.

Ursprüngliche Autoren: Jixian Liu, Enrique Mallada

Veröffentlicht 2026-04-06

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Jixian Liu, Enrique Mallada

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Problem: Zu viel Komplexität

Stellen Sie sich vor, Sie steuern einen riesigen, komplexen Roboter (wie einen menschlichen Laufroboter oder ein autonomes Flugzeug). Dieser Roboter hat tausende von Teilen und Sensoren. Das ist das vollständige Modell (FoM).

Nun wollen Sie sicherstellen, dass dieser Roboter nie gegen eine Wand läuft oder in einen Abgrund stürzt. In der Robotik nennt man das „Sicherheitskontrolle". Das Problem ist: Es ist extrem schwierig, für diesen riesigen, komplizierten Roboter eine mathematische „Sicherheitsregel" zu finden, die immer funktioniert. Es ist wie der Versuch, den perfekten Fahrplan für einen ganzen Kontinent zu erstellen, während man nur einen einzigen Bus fährt. Die Berechnungen werden zu schwer und dauern zu lange.

Die alte Lösung: Eine vereinfachte Landkarte

Um dieses Problem zu lösen, nutzen Ingenieure oft eine vereinfachte Landkarte (das reduzierte Modell, RoM).

Die Idee: Statt den ganzen Roboter zu betrachten, schauen wir nur auf das Wichtigste: „Wo ist der Schwerpunkt?" oder „Wie weit sind wir vom nächsten Hindernis entfernt?". Das ist viel einfacher zu berechnen.
Das Problem: Wenn wir nur auf die Landkarte schauen, ignorieren wir die Realität. Was, wenn der Roboter auf der Landkarte sicher aussieht, aber in der Realität wegen eines Wackels oder einer unvorhergesehenen Bewegung doch gegen die Wand kracht?

Früher gab es eine strenge Regel, um diese Lücke zu schließen: Der Roboter musste die vereinfachte Landkarte perfekt und sofort verfolgen. Jede kleine Abweichung musste sofort korrigiert werden, wie ein strenger Lehrer, der jeden Fehler sofort rügt. Das funktionierte nur bei sehr einfachen Robotern. Bei komplexen Maschinen war das unmöglich.

Die neue Idee: Der „Rekurrente" Ansatz (Der Tanz)

Die Autoren dieses Papers haben eine geniale, entspanntere Idee entwickelt. Sie nennen sie Recurrent Tracking Functions (RTFs).

Stellen Sie sich vor, Sie tanzen mit einem Partner (dem vereinfachten Modell).

Die alte Regel: Sie durften sich nie einen Millimeter von Ihrem Partner entfernen. Wenn Sie auch nur einen Schritt zur Seite machten, war der Tanz vorbei. Das ist unmöglich, wenn der Boden wackelt oder Sie müde sind.
Die neue Regel (RTF): Es ist okay, wenn Sie sich kurzzeitig von Ihrem Partner entfernen! Sie dürfen sogar ein paar Schritte zur Seite machen, solange Sie innerhalb einer bestimmten Zeit (sagen wir, innerhalb von 2 Sekunden) wieder zurückkehren und die Verbindung wiederherstellen.

Das ist der Kern der Erfindung: Sicherheit bedeutet nicht, dass man niemals einen Fehler macht. Es bedeutet, dass man den Fehler schnell genug korrigiert, bevor es zu spät ist.

Wie funktioniert das in der Praxis?

Die Autoren kombinieren zwei Dinge zu einem neuen Sicherheitsnetz:

Die vereinfachte Sicherheitsregel (CBF): Sie berechnet auf der Landkarte, wann man in Gefahr ist.
Der neue „Rekurrente" Taktgeber (RTF): Er erlaubt dem Roboter, kurzzeitig von der perfekten Bahn abzuweichen (vielleicht wegen eines Windstoßes oder einer ungenauen Berechnung).

Die Magie: Solange der Roboter weiß, dass er innerhalb eines kurzen Zeitfensters (z. B. $\tau$ ) wieder auf den sicheren Pfad zurückkehrt, ist er sicher. Er darf also kurz „ins Wanken kommen", solange er nicht so weit wegdriftet, dass er nicht mehr zurückkommt.

Ein Bild aus dem Alltag

Stellen Sie sich einen Surfer vor, der auf einer Welle reitet.

Die alte Methode: Der Surfer müsste perfekt auf dem Brett stehen. Wenn er auch nur einen Zentimeter rutscht, fällt er sofort ab. Das ist unmöglich auf einer wilden Welle.
Die neue Methode (dieses Papier): Der Surfer darf wackeln! Er darf sich sogar kurzzeitig fast vom Brett fallen lassen, solange er weiß, dass er innerhalb von einer Sekunde wieder das Gleichgewicht findet und auf dem Brett bleibt. Solange er diese „Rückkehr-Garantie" hat, ist er sicher.

Warum ist das wichtig?

Es funktioniert für komplexe Roboter: Endlich können wir Sicherheitsregeln für schwierige Systeme (wie humanoide Roboter oder Drohnen) finden, die vorher zu kompliziert waren.
Es ist robuster: Es berücksichtigt, dass die Welt nicht perfekt ist. Wenn der Roboter kurzzeitig gestört wird, panikiert das System nicht, sondern nutzt die Zeit, um sich zu korrigieren.
Beweis der Sicherheit: Die Autoren haben mathematisch bewiesen, dass solange diese „Rückkehr-Regel" eingehalten wird, der Roboter niemals in einen unrettbaren Zustand (wie einen Unfall) gerät.

Zusammenfassung

Das Papier sagt im Grunde: „Seien Sie nicht perfekt, seien Sie nur schnell genug in der Korrektur."

Anstatt zu verlangen, dass ein Roboter jede Sekunde perfekt auf einer Linie bleibt (was unmöglich ist), erlauben wir ihm, kurzzeitig abzudriften, solange er garantiert innerhalb einer festgelegten Zeit wieder auf die sichere Linie zurückkehrt. Das macht die Steuerung von komplexen, autonomen Systemen viel sicherer und praktikabler.

Titel: Safety-Critical Control via Recurrent Tracking Functions (Sicherheitskritische Steuerung durch rekurrente Tracking-Funktionen)

1. Problemstellung

Das Paper adressiert die Herausforderung, sicherheitskritische Regler für hochdimensionale, nichtlineare Systeme (z. B. autonome Fahrzeuge, laufende Roboter, komplexe Stromnetze) zu synthetisieren.

Hauptproblem: Die Konstruktion gültiger Control Barrier Functions (CBFs) für solche Systeme ist oft rechnerisch unlösbar (intractable) oder leidet unter dem „Fluch der Dimensionalität".
Ansatz der Schichtensteuerung (Layered Control): Ein gängiger Ansatz besteht darin, eine CBF für ein vereinfachtes Reduced-Order Model (RoM) zu entwerfen, während ein untergeordneter Regler das Full-Order Model (FoM) steuert.
Limitierung bestehender Methoden: Damit die Sicherheit des RoM auf das FoM übertragen werden kann, müssen die Tracking-Fehler zwischen dem realen System und dem RoM exponentiell konvergieren. Traditionell erfordert dies monoton fallende Lyapunov-Funktionen. Die systematische Synthese solcher Funktionen ist jedoch nur für vollständig aktuierte Systeme möglich und für allgemeinere, unteraktuierte oder komplexe Systeme oft nicht durchführbar.

2. Methodik

Die Autoren schlagen einen neuen Rahmen vor, der die strikte Monotonie-Anforderung von Lyapunov-Funktionen durch eine schwächere Bedingung ersetzt:

Recurrent Tracking Functions (RTFs):
- Statt zu fordern, dass die Tracking-Funktion (bzw. der Fehler) kontinuierlich abnimmt, wird eine endzeitliche Rekurrenzbedingung eingeführt.
- Die Bedingung verlangt nur, dass die Funktion innerhalb eines festen Zeitintervalls $\tau$ wiederholt einen bestimmten Abfall zeigt (exponentielle $\tau$ -Rekurrenz).
- Dies erlaubt transiente Abweichungen (das System darf kurzzeitig vom idealen Pfad abweichen), solange es innerhalb der Zeit $\tau$ wieder in den sicheren Bereich zurückkehrt.
- Ein entscheidendes Ergebnis ist, dass für Systeme mit exponentiell stabiler Tracking-Fehlerdynamik jede Norm des Tracking-Fehlers als gültige RTF dient. Dies eliminiert die Notwendigkeit, komplexe monotone Lyapunov-Funktionen explizit zu konstruieren.
Recurrent Control Barrier Functions (RCBFs):
- Durch die Kombination einer CBF des RoM mit einer RTF wird eine Recurrent CBF ( $h_V$ ) konstruiert.
- Die Null-Superlevel-Menge dieser Funktion ( $S_V$ ) ist $\tau$ -rekurrent: Trajektorien dürfen die Menge $S_V$ kurzzeitig verlassen, müssen aber innerhalb von $\tau$ zurückkehren, ohne dabei in den unsicheren Bereich zu gelangen.
- Die Sicherheit wird gewährleistet, wenn die Konvergenzrate des Tracking-Fehlers ( $\beta$ ) schneller ist als die Annäherungsrate an die Sicherheitsgrenze ( $\alpha$ ) ( $\beta > \alpha$ ).
Robustheit gegenüber Störungen:
- Der Ansatz wird auf Input-to-State Safety (ISSf) erweitert, um Modellunsicherheiten und externe Störungen zu berücksichtigen.
- Durch die Einführung eines Sicherheitsabstands (Safety Margin), der von der Störungsgröße abhängt, wird eine vergrößerte sichere Menge definiert, die auch unter Störungen invariant bleibt.

3. Wichtige Beiträge

RTF-Rahmenwerk: Formulierung von RTFs als Relaxierung der klassischen Lyapunov-Abnahmebedingungen. Es wird bewiesen, dass für Lipschitz-stetige Systeme mit exponentiell stabiler Fehlerdynamik jede Norm des Fehlers eine gültige RTF ist.
Sicherheitsanalyse: Theoretischer Beweis, dass der Startzustand in der rekurrenten Menge $S_V$ liegt, garantiert die Sicherheit des Full-Order Models für alle Zeitpunkte, selbst wenn die Tracking-Funktion nicht monoton fällt.
Numerische Validierung: Ein Proof-of-Concept-Experiment mit einem 2D-Doppelintegrator-Modell (Agent mit Hindernissen) demonstriert die Wirksamkeit.
- Es wird gezeigt, dass bei ungültigen CBFs oder Startzuständen außerhalb von $S_V$ die Sicherheit verloren geht.
- Bei Erfüllung der RTF-Bedingungen bleibt das System sicher, auch wenn die Tracking-Funktion rekurrentes Verhalten zeigt.

4. Ergebnisse

Die numerischen Simulationen bestätigen, dass das System sicher navigiert, solange die Bedingung $\beta > \alpha$ erfüllt ist und der Startzustand in der berechneten Menge $S_V$ liegt.
Die Abbildungen zeigen, dass die Barrier-Funktion $h(t)$ (Abstand zu Hindernissen) strikt nicht-negativ bleibt, obwohl die Tracking-Funktion $V(t)$ (Fehlernorm) oszillieren darf.
Der Ansatz ist weniger konservativ als Methoden, die strikte Monotonie oder große Fehlermargen (wie in robusten RoM-Ansätzen) erfordern, da er die tatsächliche Dynamik des Fehlers nutzt.

5. Bedeutung und Ausblick

Skalierbarkeit: Der Ansatz ermöglicht die Anwendung von CBF-basierten Sicherheitsgarantien auf hochkomplexe, nichtlineare und unteraktuierte Systeme, für die klassische Lyapunov-basierte Tracking-Zertifikate nicht verfügbar sind.
Flexibilität: Durch die Nutzung einfacher Normen anstelle komplexer Lyapunov-Funktionen wird die Synthese von Reglern erheblich vereinfacht.
Zukunftsaussichten: Die Autoren planen, datengetriebene Methoden zur direkten Konstruktion von RTFs aus Trajektoriedaten zu entwickeln und die Methode auf physische Roboterplattformen zu übertragen.

Fazit: Das Paper bietet einen theoretisch fundierten und praktisch anwendbaren Weg, um Sicherheitsgarantien für komplexe dynamische Systeme zu gewährleisten, indem es die starre Anforderung der monotonen Fehlerabnahme durch eine flexiblere Rekurrenzbedingung ersetzt.