⚡ electrical engineering

Enforcing Mixed State-Input Constraints with Multiple Backup Control Barrier Functions: A Projection-based Approach

Diese Arbeit stellt einen projektionsbasierten Ansatz vor, der Backup-Control-Barriere-Funktionen erweitert, um gemischte Zustands-Eingangs-Beschränkungen in sicherheitskritischen Steuerungssystemen durch Umwandlung in reine Zustandsbeschränkungen effektiv zu erfüllen.

Ursprüngliche Autoren: Laszlo Gacsi, Adam K. Kiss, Ersin Das, Tamas G. Molnar

Veröffentlicht 2026-03-19

📖 4 Min. Lesezeit☕ Kaffeepausen-Lektüre

CC BY 4.0

Ursprüngliche Autoren: Laszlo Gacsi, Adam K. Kiss, Ersin Das, Tamas G. Molnar

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

Stellen Sie sich vor, Sie steuern einen hochmodernen, aber etwas nervösen Roboter-Auto-Prototypen. Ihre Aufgabe ist es, ihn sicher durch eine enge Gasse zu fahren. Dabei haben Sie drei Arten von Regeln zu beachten:

Die Position (Zustand): Der Wagen darf nicht gegen die Wände fahren (z. B. "bleibe zwischen den Linien").
Die Kraft (Eingabe): Der Motor darf nicht zu viel Druck aufbauen (z. B. "nicht mehr als 50 Newton Kraft").
Die Mischung (Gemischte Regel): Das ist der tricky Teil. Der Wagen darf nicht zu viel Leistung verbrauchen. Leistung ist eine Mischung aus Geschwindigkeit (Zustand) und Kraft (Eingabe). Wenn Sie schnell fahren, darf der Motor nicht voll aufdrehen, sonst brennt er durch.

Das Problem: Herkömmliche Sicherheits-Systeme sind wie ein strenger Lehrer, der nur auf die Position achtet. Wenn der Motor an seine Grenzen stößt, wird das System oft panisch oder versagt, weil es nicht weiß, wie es die Kraft begrenzen soll, ohne den Wagen an die Wand zu fahren.

Dieses Papier stellt eine neue Methode vor, die wie ein kluger Navigator mit einem Notfallplan funktioniert. Hier ist die Erklärung in einfachen Bildern:

1. Der "Backup-Plan" (Das Sicherheitsnetz)

Stellen Sie sich vor, Sie fahren einen Berg hoch. Plötzlich merken Sie, dass Sie zu schnell sind und bald die Kraftgrenze erreichen. Ein normales System würde versuchen, sofort zu bremsen – aber was, wenn die Bremsen schon voll ausgelastet sind?

Die Autoren nutzen eine Idee namens "Backup Control Barrier Functions".

Die Idee: Der Navigator plant nicht nur den aktuellen Weg, sondern simuliert ständig: "Was passiert, wenn ich ab jetzt nur noch den Notfall-Modus (den 'Backup-Controller') verwende?"
Der Notfall-Modus: Das ist ein sehr vorsichtiger, langweiliger Fahrstil, der garantiert, dass der Wagen sicher bleibt, auch wenn alles schiefgeht (z. B. langsames Anhalten auf einer geraden Strecke).
Der Trick: Solange der Wagen in einem Bereich ist, von dem aus er diesen Notfall-Modus noch erreichen kann, ist er sicher. Der Navigator sorgt dafür, dass der Wagen nie in eine Ecke gedrückt wird, aus der kein Weg mehr zum Notfall-Modus führt.

2. Das Projektions-Problem (Die Übersetzung)

Jetzt kommt das Geniale an diesem Papier: Die "Leistung"-Regel (Geschwindigkeit × Kraft) ist mathematisch schwer zu handhaben, weil sie beides mischt.

Stellen Sie sich vor, Sie versuchen, eine 3D-Form (die Mischung aus Position und Kraft) auf einen 2D-Boden (nur Position) zu projizieren, wie ein Schatten an der Wand.

Das alte Problem: Man wusste nicht, wie man diesen "Schatten" der gemischten Regeln berechnet, ohne den Computer zum Überhitzen zu bringen.
Die Lösung der Autoren: Sie sagen: "Okay, wir nehmen unseren Notfall-Modus (den Backup-Controller) und fragen: Wenn ich diesen Modus verwende, welche Positionen sind dann erlaubt?"
Die Projektion: Sie "werfen" die gemischte Regel (Leistung) entlang des Notfall-Modus auf die reine Positionsebene. Plötzlich wird die komplizierte "Leistung"-Regel zu einer einfachen "Position"-Regel.
- Analogie: Statt zu fragen "Wie viel Kraft darf ich bei welcher Geschwindigkeit geben?", fragen sie: "Wenn ich meinen Notfall-Modus aktiviere, wo darf ich mich dann überhaupt befinden?" Das ist viel einfacher zu berechnen.

3. Warum das besser ist (Kein "Überdrehen" mehr)

Früher mussten Ingenieure ihre Notfall-Controller oft künstlich "drosseln" (saturieren), damit sie die Kraftgrenzen einhalten. Das war wie ein Auto, das im Notfall nur noch mit 10 km/h fährt, weil der Motor sonst überhitzt – sehr ineffizient.

Mit dieser neuen Methode:

Der Notfall-Modus muss nur innerhalb des kleinen Sicherheitsbereichs die Kraftgrenzen einhalten.
Außerhalb davon darf er ruhig kräftig arbeiten, solange er den Wagen sicher in den Notfall-Bereich bringt.
Das Ergebnis: Der Roboter kann viel dynamischer und schneller fahren, ohne die Sicherheitsregeln zu brechen.

4. Das Beispiel: Der umgekippte Pendel

Um das zu beweisen, haben die Autoren einen "umgekippten Pendel" simuliert (wie ein Stock, der auf dem Finger balanciert wird).

Die Regeln: Der Stock darf nicht zu weit kippen (Position), der Motor darf nicht zu viel Drehmoment geben (Kraft) und darf nicht zu viel Energie verbrauchen (Leistung).
Das Ergebnis: Ein altes System (HOCBF) hat versagt, weil es die gemischte Regel nicht verstanden hat und der Motor überlastet wurde. Das neue System hat jedoch den Pendel stabil gehalten, indem es die Leistungsgrenze clever in eine Positionsregel übersetzt hat. Es hat früher eingegriffen, bevor es zu spät war.

Zusammenfassung in einem Satz

Die Autoren haben einen cleveren Trick erfunden, bei dem sie komplizierte Sicherheitsregeln (die Kraft und Bewegung mischen) in einfache Positionsregeln übersetzen, indem sie fragen: "Wo muss ich sein, damit mein Notfall-Plan immer noch funktioniert?" So können Roboter sicherer, schneller und effizienter agieren, ohne gegen ihre eigenen Grenzen zu stoßen.

1. Problemstellung

Die Sicherheit autonomer Systeme erfordert die Einhaltung von Beschränkungen für Zustände (z. B. Position, Geschwindigkeit), Stellgrößen (z. B. Kraft, Drehmoment) und deren Mischungen (z. B. Leistung, die von Geschwindigkeit und Kraft abhängt).

Herausforderung: Herkömmliche Methoden wie Control Barrier Functions (CBFs) konzentrieren sich oft nur auf Zustandsbeschränkungen. Die explizite Berücksichtigung von Stellgrößenbeschränkungen ist schwierig, da der für die Sicherheit notwendige Eingangsvektor oft außerhalb des zulässigen Bereichs liegen kann.
Spezifisches Problem: Bisherige Ansätze wie „Backup CBFs" (Backup-Control Barrier Functions) konnten zwar getrennte Zustands- und Eingangsbeschränkungen behandeln, versagten jedoch bei gemischten Zustands-Eingangs-Beschränkungen (coupled state-input constraints), bei denen die Sicherheit direkt von der Kombination beider abhängt (z. B. $P = v \cdot F$ ).
Ziel: Entwicklung eines Sicherheitsrahmens, der gemischte Beschränkungen garantiert einhält, ohne die Rechenkomplexität zu stark zu erhöhen oder auf nicht-konvexe Optimierung zurückzugreifen.

2. Methodik

Das Paper schlägt einen projektionsbasierten Ansatz vor, der auf der Erweiterung der Backup-CBF-Methode beruht.

A. Erweiterung auf multiple entkoppelte Beschränkungen

Zunächst wird die Backup-CBF-Methode so erweitert, dass sie mehrere entkoppelte Zustandsbeschränkungen gleichzeitig mit einem einzigen Paar aus „Backup-Set" und „Backup-Controller" handhabt.

Statt für jede Bedingung einen separaten Backup-Controller zu benötigen, wird ein gemeinsamer Backup-Controller $k_b(x)$ verwendet, der ein Backup-Set $S_b$ invariant hält.
Das invariante Set $S_I$ wird so definiert, dass der Backup-Flow (die Trajektorie unter $k_b$ ) über einen Zeithorizont $T$ alle $N$ Zustandsbeschränkungen erfüllt und am Ende in $S_b$ landet.

B. Projektion gemischter Beschränkungen

Der Kern der Innovation ist die Umwandlung gemischter Beschränkungen in reine Zustandsbeschränkungen durch Projektion:

Definition des gemischten Sets: Ein gemischtes Set $D$ wird durch $H(x, u) \geq 0$ definiert.
Projektion: Anstatt $H(x, u)$ $H (x, u)$ direkt im Optimierungsproblem zu erzwingen (was zu Problemen mit der rekursiven Zulässigkeit führen kann), wird das Set entlang des Backup-Controllers $k_b(x)$ $k_{b} (x)$ auf den Zustandsraum projiziert.
- Projektionsfunktion: $h(x) \triangleq H(x, k_b(x))$ .
- Projektionsset: $C_p = \{x \in \mathbb{R}^n \mid (x, k_b(x)) \in D\}$ .
Invarianz: Es wird ein invariantes Set $S_I^p$ konstruiert, das sicherstellt, dass der Backup-Flow innerhalb von $C_p$ bleibt.
Optimierungsproblem (QP): Der eigentliche Regler $k(x)$ $k (x)$ wird durch ein quadratisches Programm (QP) bestimmt, das:
- Den gewünschten Regler $k_d(x)$ minimiert.
- Die Vorhersage-Bedingungen für die Projektionsfunktionen $h_j$ über den Horizont $T$ erfüllt (Backup-CBF-Bedingungen).
- Die ursprüngliche gemischte Bedingung $H(x, u) \geq 0$ direkt für den aktuellen Schritt erzwingt.

C. Vorteile bei entkoppelten Beschränkungen

Für den Spezialfall entkoppelter Beschränkungen ( $D = C \times U$ ) vereinfacht sich der Ansatz erheblich:

Der Backup-Controller muss nicht mehr über den gesamten Zustandsraum gesättigt werden, um Eingangsbeschränkungen zu erfüllen.
Es reicht aus, dass $k_b(x)$ innerhalb des kleinen Backup-Sets $S_b$ die Eingangsbeschränkungen erfüllt.
Dies ermöglicht oft eine analytische Berechnung des Backup-Flows (z. B. bei linearisierbaren Systemen), was den Online-Berechnungsaufwand drastisch reduziert.

3. Wichtige Beiträge

Projektionsframework für gemischte Beschränkungen: Erste systematische Methode, um gemischte Zustands-Eingangs-Beschränkungen (wie Leistung) mittels Backup-CBFs sicher und rekursiv zulässig zu handhaben.
Vermeidung von Sättigung: Der Ansatz eliminiert die Notwendigkeit, Backup-Controller über den gesamten Zustandsraum zu sättigen, was die Synthese vereinfacht.
Analytische Lösbarkeit: Durch die Projektion können Backup-Flows oft analytisch berechnet werden (statt numerischer Integration), was die Echtzeitfähigkeit verbessert.
Einheitlicher Rahmen: Das Framework behandelt gleichzeitig multiple Zustands-, Eingangs- und gemischte Beschränkungen in einem einzigen QP.

4. Ergebnisse (Beispiel: Invertiertes Pendel)

Die Methode wurde an einem invertierten Pendel demonstriert, das folgenden Beschränkungen unterliegt:

Zustand: Winkel $|x_1| \leq \phi_{max}$ .
Eingang: Drehmoment $u_{min} \leq u \leq u_{max}$ .
Gemischt: Leistung $P_{min} \leq x_2 \cdot u \leq P_{max}$ .

Vergleich mit High-Order CBF (HOCBF):

Ein klassischer HOCBF-Ansatz, der Eingangs- und Leistungsbeschränkungen direkt in das QP aufnimmt, wurde infeasible (nicht lösbar), sobald die Trajektorie die Grenzen erreichte. Die Systemzustände verließen den sicheren Bereich.
Der vorgeschlagene Backup-CBF-Ansatz hielt alle Beschränkungen (Zustand, Eingang, Leistung) strikt ein, selbst bei einem instabilen System.
Ursache: Durch die Vorhersage (Backup-Flow über Zeit $T$ ) greift der Backup-CBF früher ein als der HOCBF, der nur auf den aktuellen Zustand reagiert. Dies verhindert, dass das System in einen Zustand gerät, aus dem keine zulässige Steuerung mehr möglich ist.
Die Mengenanalyse zeigte, dass das durch die Projektion definierte invariante Set $S_I^p$ kleiner ist als reine Zustandsmengen, aber genau groß genug, um die Sicherheit unter allen gemischten Bedingungen zu garantieren.

5. Bedeutung und Fazit

Dieses Paper schließt eine wichtige Lücke in der Sicherheitsgarantie für autonome Systeme. Viele reale Anwendungen (Roboter, Fahrzeuge) haben inhärent gemischte Beschränkungen (z. B. Energieverbrauch, thermische Limits), die mit reinen Zustands- oder Eingangs-CBFs nicht adäquat behandelt werden können.

Der vorgestellte projektionsbasierte Ansatz bietet:

Formale Sicherheitsgarantien: Mathematisch bewiesene Forward-Invarianz unter gemischten Beschränkungen.
Rekursive Zulässigkeit: Das Optimierungsproblem bleibt auch unter strengen Eingangsbeschränkungen lösbar.
Praktische Effizienz: Durch die Möglichkeit analytischer Backup-Flows ist die Methode für Echtzeitanwendungen geeignet.

Zusammenfassend stellt dies einen bedeutenden Fortschritt in der Theorie der sicherheitskritischen Regelung dar, der die Anwendbarkeit von CBFs auf komplexere, realistischere physikalische Szenarien erweitert.