⚡ electrical engineering

ReLU Barrier Functions for Nonlinear Systems with Constrained Control: A Union of Invariant Sets Approach

Die vorgestellte Arbeit schlägt einen Approximations-Verifikations-Pipeline vor, der auf stückweise linearen Surrogaten und einer Vereinigung invarianter Mengen basiert, um sicherheitskritische nichtlineare Systeme mit eingeschränkten Stellgrößen effizient zu zertifizieren und dabei konservativere Ansätze zu überwinden.

Ursprüngliche Autoren: Pouya Samanipour, Hasan A. Poonawala

Veröffentlicht 2026-03-17

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Pouya Samanipour, Hasan A. Poonawala

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: Der vorsichtige Wächter

Stell dir vor, du steuerst ein autonomes Auto oder einen Roboterarm. Dein Ziel ist es, dass er sicher bleibt und nicht gegen eine Wand fährt (das ist die „Sicherheit"). Aber es gibt ein Problem: Der Motor des Roboters ist nicht unendlich stark. Er hat eine maximale Geschwindigkeit oder Kraft (das sind die „eingeschränkten Eingaben").

In der Welt der Mathematik versuchen Ingenieure, einen unsichtbaren „Wächter" (einen sogenannten Barrieren-Funktion) zu bauen. Dieser Wächter zeichnet eine unsichtbare Mauer um den sicheren Bereich. Solange der Roboter innerhalb dieser Mauer ist, verspricht der Wächter: „Du wirst niemals gegen die Wand fahren, egal was passiert."

Das Dilemma:
Bisher waren diese Wächter entweder:

Zu vorsichtig: Sie haben einen riesigen Sicherheitsbereich um den Roboter gezogen, aber weil sie zu ängstlich waren, haben sie viele eigentlich sichere Bereiche ausgeschlossen. Der Roboter konnte nicht so weit fahren, wie er eigentlich könnte.
Zu kompliziert: Um den Wächter genauer zu machen, musste man extrem schwere mathematische Berechnungen anstellen, die Stunden dauern oder gar nicht funktionieren.

Die Lösung: Ein cleverer Trick mit „Klumpen" und „Lego"

Die Autoren dieses Papers haben einen neuen Weg gefunden, um diese Wächter zu bauen, der sowohl sicher als auch effizient ist. Sie nutzen drei Haupt-Tricks:

1. Der Lego-Ersatz (Die PWA-Surrogate)

Statt den echten, komplexen Roboter (der sich wie eine gekrümmte Linie bewegt) direkt zu berechnen, bauen sie einen Lego-Nachbau.

Die Idee: Sie zerlegen die Welt des Roboters in viele kleine, flache Kacheln (wie ein Kachelboden). Auf jeder Kachel verhält sich der Roboter wie ein einfacher, gerader Wagen.
Der Vorteil: Es ist viel einfacher, für einen geraden Wagen eine Sicherheitsmauer zu berechnen als für einen komplexen Kurvenläufer. Sie bauen also erst den Wächter für den Lego-Nachbau.

2. Der „Leaky ReLU"-Schalter (Der zweigipflige Hügel)

Normalerweise nutzen Mathematiker für ihre Sicherheitsregeln eine einfache, gerade Linie (wie eine Rampe). Das ist aber oft zu streng.

Die Innovation: Die Autoren nutzen eine Funktion, die wie ein Hügel mit zwei verschiedenen Steigungen aussieht (ein sogenannter „Leaky ReLU").
Der Vergleich: Stell dir vor, du gehst einen Berg hoch. Auf der einen Seite ist der Weg steil, auf der anderen flacher. Diese flexible Form erlaubt es dem Wächter, den sicheren Bereich dort, wo es möglich ist, weiter auszudehnen, ohne die Sicherheit zu gefährden. Es ist wie ein elastischer Sicherheitsgurt, der sich besser anpasst als ein starrer Riemen.

3. Der „Union of Invariant Sets" (Das Puzzle aus mehreren Karten)

Das ist der coolste Teil. Statt nur eine Sicherheitskarte zu zeichnen, zeichnen sie viele kleine Karten mit verschiedenen Einstellungen (verschiedene Steigungen des Hügels).

Die Magie: Statt sich für die „beste" Karte zu entscheiden, nehmen sie alle Karten und legen sie übereinander.
Das Ergebnis: Sie erstellen eine riesige, zusammengesetzte Sicherheitszone, die die Vereinigung aller kleinen Zonen ist.
Der Clou: Sie müssen dafür nicht extra neue, schwere Berechnungen anstellen. Sie nutzen einfach die Ergebnisse, die sie ohnehin schon hatten, und kleben sie zusammen (wie ein Puzzle). Das Ergebnis ist eine viel größere sichere Zone, als wenn man nur eine einzelne Karte benutzt hätte.

Der Feinabstimmungs-Prozess: „Testen und Nachbessern"

Nachdem sie die große Sicherheitszone für den Lego-Nachbau gebaut haben, müssen sie sicherstellen, dass sie auch für den echten Roboter gilt.

Der Test: Sie prüfen an den Rändern der Sicherheitszone (den „Kacheln"), ob der echte Roboter dort wirklich sicher bleibt.
Der Fehlerfall: Wenn sie an einer Stelle feststellen: „Achtung, hier könnte der echte Roboter doch gegen die Wand fahren", dann ist das kein Grund, alles neu zu machen.
Die lokale Reparatur: Sie nehmen nur diesen einen kleinen Fehlerpunkt, berechnen, wie stark der Lego-Nachbau vom echten Roboter abweicht, und fügen dort eine kleine „Unsicherheits-Blase" hinzu. Dann lösen sie das Puzzle nur für diesen kleinen Bereich neu.
Wiederholung: Sie prüfen erneut. Wenn alles passt, ist der Wächter fertig.

Warum ist das toll? (Die Zusammenfassung)

Stell dir vor, du möchtest ein Haus bauen, das vor Sturm sicher ist.

Die alte Methode: Du baust eine dicke, massive Betonwand um das ganze Grundstück. Sie ist sicher, aber du kannst im Garten nichts mehr anpflanzen, weil die Wand zu weit rausragt. Oder du versuchst, eine perfekte, gekrümmte Glaswand zu bauen, die aber so teuer ist, dass du sie nie fertig bekommst.
Die neue Methode: Du baust erst ein Modell aus Lego. Du nutzt flexible Materialien, die sich anpassen. Du baust mehrere kleine, sichere Bereiche und klebst sie zu einem riesigen, geschützten Garten zusammen. Wenn du merkst, dass an einer Ecke der Wind doch stärker weht als gedacht, legst du dort einfach ein paar extra Ziegelsteine nach.

Das Ergebnis: Der Roboter darf viel mehr tun (größere sichere Bereiche), die Berechnungen sind schnell genug für echte Anwendungen, und die Sicherheit ist mathematisch bewiesen. Das ist ein großer Schritt für sichere autonome Systeme, von Robotern bis zu selbstfahrenden Autos.

1. Problemstellung

Die Arbeit adressiert die Herausforderung, formale Sicherheitsgarantien für nichtlineare Systeme mit polytopischen Eingangsbeschränkungen (z. B. Sättigung von Aktuatoren) zu synthetisieren.

Herausforderung: Die Synthese von Control Barrier Functions (CBFs) unter Eingangsbeschränkungen führt bei nichtlinearen Systemen typischerweise zu nicht-konvexen Optimierungsproblemen, die rechnerisch schwer lösbar sind.
Dilemma: Bestehende Methoden müssen oft zwischen Recheneffizienz (Konvexität) und der Größe des zertifizierten invarianten Bereichs abwägen. Lineare Wahl der erweiterten Klassen-K-Funktion $\alpha(\cdot)$ ermöglicht konvexe Programme, führt aber oft zu stark konservativen (zu kleinen) sicheren Mengen.
Ziel: Entwicklung einer Methode, die die Konvexität der Synthese beibehält, aber durch nichtlineare Ansätze die Konservativität reduziert und größere sichere Bereiche zertifiziert, ohne auf nicht-konvexe neuronale Netze-Training zurückzugreifen.

2. Methodik

Die Autoren schlagen einen Approximations-Verifikations-Pipeline vor, der in fünf Schritten abläuft:

A. Approximation durch PWA-Surrogate

Statt die nichtlineare Dynamik direkt zu behandeln, wird die geschlossene Schleife durch eine stückweise affine (PWA) Surrogat-Dynamik approximiert. Dies wird durch ein ReLU-Neurales Netz realisiert, da ReLU-Netze äquivalent zu stetigen PWA-Funktionen sind.

B. Konvexe Synthese auf dem Surrogat

Auf dem PWA-Modell wird eine CBF durch Lineare Programmierung (LP) synthetisiert.

Leaky ReLU für $\alpha(\cdot)$ : Anstatt einer linearen Funktion $\alpha(s) = \alpha s$ wird ein zwei-Steigungs-Leaky-ReLU verwendet:
$\alpha(s) = \begin{cases} \alpha_m s & s \ge 0 \\ \alpha_1 s & s < 0 \end{cases}$
Dies reduziert die Konservativität, da es nichtlineares Verhalten besser abbildet, bleibt aber im Rahmen der Optimierung handhabbar.

C. Union of Invariant Sets (UIS)

Ein zentrales Element ist die Union of Invariant Sets (UIS)-Methode.

Problem: Die direkte Einbettung einer Leaky-ReLU-Funktion in die LP-Optimierung würde die Konvexität zerstören.
Lösung: Statt einer einzelnen nichtlinearen Funktion werden mehrere LP-Probleme mit verschiedenen linearen $\alpha$ -Werten gelöst. Die resultierenden invarianten Mengen werden dann durch eine Max-Komposition der zugehörigen Barrierenfunktionen vereinigt:
$h(x) = \max_i \{ h^{(i)}(x) \}$
Vorteil: Die Vereinigung ist garantiert invariant und asymptotisch stabil. Sie ist niemals kleiner als die beste einzelne lineare Lösung, erfordert aber keine zusätzlichen Optimierungsauflösungen (nur eine Nachbearbeitung der bereits gelösten LPs).

D. Verifikation und Unsicherheits-Update

Da das PWA-Modell nur eine Approximation ist, muss die Sicherheit für das echte nichtlineare System verifiziert werden.

Facet-wise Verification: Da die Barrierenfunktion stückweise affin ist, wird die CBF-Bedingung nur auf den Facetten (Grenzbereichen) der Null-Niveau-Menge überprüft.
Farkas-Lemma: Die Eingangsbeschränkungen werden mittels Farkas-Lemma eliminiert, um ein kleines nichtlineares Optimierungsproblem pro Facette zu lösen. Dies prüft, ob ein zulässiger Steuerungsvektor existiert, der die Trajektorien sicher hält.
Lokale Unsicherheits-Updates: Falls die Verifikation fehlschlägt (Gegenbeispiel gefunden), wird die Differenz zwischen echter und approximativer Dynamik berechnet. Diese Abweichung wird als lokale polytopische Unsicherheit $\Delta_j$ nur in der betroffenen Zelle hinzugefügt, und das LP wird neu gelöst. Dies vermeidet globale, übermäßig konservative Unsicherheitsbänder.

3. Hauptbeiträge

Leaky-ReLU-Surrogat für $\alpha(\cdot)$ : Ein zweistufiges Design, das die Bilinearität vermeidet, aber weniger konservativ ist als lineare $\alpha$ -Funktionen.
Union of Invariant Sets (UIS): Eine Methode zur Kombination mehrerer LP-basierter invarianten Mengen durch Max-Komposition. Dies liefert einen zertifizierten Bereich, der mindestens so groß wie die beste einzelne Lösung ist, ohne zusätzlichen Optimierungsaufwand.
Approximations-Verifikations-Pipeline: Ein vollständiger Workflow, der konvexe Synthese auf Surrogaten mit facettenweiser Verifikation und lokalen Unsicherheitsupdates kombiniert, um strenge Garantien für nichtlineare Systeme unter Sättigung zu liefern.

4. Ergebnisse und Simulationen

Die Methode wurde an drei Beispielen getestet:

Invertiertes Pendel: Die UIS-Methode mit drei verschiedenen $\alpha$ -Werten erzeugte einen invarianten Bereich, der strikt größer war als jeder einzelne Bereich, der mit einer linearen $\alpha$ -Funktion erhalten wurde. Die Verifikation auf dem nichtlinearen System war erfolgreich.
Barrier-Zertifikat-Verifikation (Beispiel aus Literatur): Im Vergleich zu anderen Methoden (z. B. SyntheBC oder tiefe Netzwerke mit SMT-Lösern) erreichte der Ansatz mit einem kompakten einlagigen ReLU-Netz (20 Neuronen) eine vergleichbare Abdeckung, aber mit deutlich geringerer Rechenzeit (80 Sekunden vs. Stunden bei anderen Methoden).
Cart-Pole mit Sättigung: Das Framework skalierte erfolgreich auf ein 4-dimensionales nichtlineares System mit Eingangsbeschränkungen. Der zertifizierte Bereich war größer als bei linearen Designs, bei akzeptabler Rechenzeit (ca. 24 Minuten Gesamtzeit).

Tabelle I zeigt, dass die UIS-Berechnung und die Verifikation zwar rechenintensiv sind, aber im Vergleich zu nicht-konvexen Trainingsverfahren oder SMT-basierten Verifikationsmethoden effizient bleiben.

5. Bedeutung und Fazit

Das Paper bietet einen wichtigen Fortschritt im Bereich der sicheren Regelung nichtlinearer Systeme:

Überwindung des Konservativismus: Es zeigt, wie man durch die Kombination mehrerer linearer Lösungen (UIS) und eine intelligente Approximation von $\alpha(\cdot)$ größere sichere Bereiche erreichen kann, ohne auf nicht-konvexe Optimierung zurückzugreifen.
Praktische Anwendbarkeit: Der Ansatz ist rechnerisch handhabbar (konvexe LPs) und liefert strenge mathematische Garantien, selbst bei Vorhandensein von Aktuator-Sättigung.
Robustheit: Durch den Mechanismus der lokalen Unsicherheitsupdates wird sichergestellt, dass Modellfehler korrigiert werden, ohne das gesamte System neu zu modellieren.

Zusammenfassend stellt die Arbeit einen skalierbaren Weg dar, um formale Sicherheitszertifikate für komplexe, eingeschränkte nichtlineare Systeme zu synthetisieren, die in der Robotik und autonomen Fahrzeugen von entscheidender Bedeutung sind.