⚡ electrical engineering

Maximal Controlled Invariant-MPC: Enhancing Feasibility and Reducing Conservatism through Terminal CBF Constraint in Safety-Critical Control

Dieser Beitrag schlägt einen Modellprädiktiven Regelungs-(MPC)-Rahmen vor, der Control Barrier Functions (CBFs) als Endbedingungen integriert, um die Zulässigkeit zu verbessern, die Konservativität zu verringern und die erreichbaren Zustandsmengen für sicherheitskritische Systeme zu erweitern, während gleichzeitig ein rechnerisch effizientes Warm-Starten des Optimierungsproblems ermöglicht wird.

Ursprüngliche Autoren: Tanmay Dokania, Yashwanth Kumar Nakka

Veröffentlicht 2026-05-08

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Tanmay Dokania, Yashwanth Kumar Nakka

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 fahren mit einem Auto durch einen dichten, nebligen Wald. Ihr Ziel ist es, so schnell und reibungslos wie möglich an einen Bestimmungsort zu gelangen, doch Sie dürfen niemals einen Baum treffen.

In der Welt der Robotik und autonomer Fahrzeuge ist dies die Herausforderung der sicherheitskritischen Regelung. Der Computer muss in jedem Sekundenbruchteil entscheiden, was zu tun ist (lenken, beschleunigen, bremsen), um sicher zu bleiben und gleichzeitig effizient zu agieren.

Diese Arbeit stellt eine neue Methode vor, wie diese Computer denken können, genannt MPC-MCI. Um zu verstehen, warum sie besonders ist, betrachten wir, wie die „alte Methode" im Vergleich zur „neuen Methode" funktioniert.

Die alte Methode: Der überfürsorgliche Wächter

Stellen Sie sich vor, Ihr Auto verfügt über ein Sicherheitssystem, das wie ein sehr ängstlicher Wächter agiert. Dieser Wächter weiß genau, wo die Bäume stehen (die „unsichere Zone"). Um absolut sicherzugehen, dass Sie keinen Baum treffen, zieht der Wächter eine große, unsichtbare Blase um die Bäume.

Die Regel: „Sie dürfen nur innerhalb dieser Blase fahren. Wenn Sie auch nur daran denken, diese Blase zu verlassen, werde ich hart bremsen."
Das Problem: Diese Blase ist oft viel größer als die tatsächlichen Bäume. Sie zwingt das Auto, weit von den Bäumen entfernt zu bleiben, selbst wenn es völlig sicher wäre, näher heranzufahren. Dies wird als „konservativ" bezeichnet. Es ist sicher, macht das Auto aber langsam und ungeschickt, unfähig, Abkürzungen zu nehmen oder enge Räume zu navigieren.
Der Fachbegriff: In der Arbeit wird dies als „Bekannter sicherer Bereich" ( $X_{safe}$ ) bezeichnet. Die alten Methoden (wie NMPC-DCBF) zwingen das Auto, in diesem kleinen, sicheren Blasenbereich bei jedem einzelnen Schritt seiner Reise zu bleiben.

Die neue Methode: Der strategische Navigator

Die Autoren dieser Arbeit schlagen einen intelligenteren Ansatz vor. Anstatt eines Wächters, der bei jedem Schritt in Panik gerät, stellen Sie sich einen strategischen Navigator vor.

Die Regel: „Solange Sie im Moment keinen Baum treffen, können Sie frei fahren. Ich muss jedoch wissen, dass Sie am Ende Ihrer nächsten paar Sekunden an einem Punkt sein werden, an dem Sie definitiv sicher anhalten oder ausweichen können."
Die Magie: Der Navigator erlaubt dem Auto, näher an die Bäume heranzufahren (sogar in Bereiche, die der alte Wächter für gefährlich hielt), da er die „Sicherheitsgarantie" nur am Ende des Plans überprüft, nicht bei jedem einzelnen Moment.
Der Fachbegriff: Dies ist die „Maximale kontrollinvariante Menge" ( $X^*_{safe}$ ). Sie ist eine größere, genauere Karte dessen, wohin das Auto tatsächlich fahren kann, ohne zu crashen. Die neue Methode (MPC-MCI) verwendet eine „Endbedingung", was bedeutet, dass sie das Auto nur zwingt, am letzten Schritt seiner Vorhersage in der sicheren Zone zu landen.

Die Analogie: Der Seiltänzer

Stellen Sie sich einen Seiltänzer vor, der eine Schlucht überquert.

Die alte Methode: Dem Tänzer wird gesagt: „Sie müssen bei jedem einzelnen Schritt innerhalb von 5 Fuß von der Mittellinie bleiben." Das ist sicher, macht den Gang aber steif und langsam. Er kann sein Gleichgewicht nicht nutzen, um sich in eine Kurve zu lehnen.
Die neue Methode: Dem Tänzer wird gesagt: „Sie können sich so viel lehnen und schaukeln, wie Sie wollen, solange Sie wissen, dass Sie wenn Sie die andere Seite erreichen, fest auf solidem Boden stehen werden." Dies ermöglicht dem Tänzer, dynamischer, schneller und effizienter zu sein, während garantiert bleibt, dass er nicht fällt.

Was die Arbeit tatsächlich herausfand

Die Autoren haben nicht nur theoretisiert; sie testeten dies in einer Computersimulation eines „Unizykels" (ein Roboter, der sich wie ein Fahrrad bewegt, was schwierig ist, da er sich nicht leicht seitwärts bewegen kann).

Mehr Bewegungsfreiraum: Sie stellten fest, dass ihre neue Methode dem Roboter erlaubte, von vielen mehr Startpunkten aus zu starten, ohne zu crashen. In ihren Tests sank die Anzahl der Stellen, an denen der Roboter „stecken blieb" (keinen sicheren Weg finden konnte), um den Faktor 1,7 bis 2,7.
Besser mit der Zeit: Als sie dem Roboter mehr Zeit zum Nachdenken gaben (ein längeres „Vorhersagehorizont"), wurde die neue Methode immer besser darin, Wege zu finden. Die alte Methode wurde nicht besser; sie blieb in ihrer konservativen Blase stecken.
Der „unmögliche" Pfad: Sie schufen ein Szenario, in dem der Roboter einem Pfad folgen musste, der innerhalb der „Gefahrenzone" der alten Methode verlief. Die alte Methode weigerte sich, dorthin zu gehen. Die neue Methode navigierte den Pfad erfolgreich, da sie erkannte, dass der Roboter am Ende immer noch sicher wiederherstellen konnte.

Warum dies wichtig ist (laut der Arbeit)

Die Arbeit behauptet, diese Methode sei weniger konservativ (weniger einschränkend) und gleichzeitig beweisbar sicher.

Sicherheit: Sie garantiert, dass der Roboter niemals auf ein Hindernis trifft.
Effizienz: Sie ermöglicht dem Roboter, direktere, schnellere und glattere Wege zu nehmen.
Geschwindigkeit: Da die Mathematik in einer spezifischen Weise strukturiert ist, kann der Computer das Problem schneller lösen, was für das Fahren in Echtzeit entscheidend ist.

Kurz gesagt, sagt die Arbeit: „Hören Sie auf, eine riesige, beängstigende Blase um die Hindernisse zu zeichnen. Stellen Sie stattdessen sicher, dass der Roboter weiß, wie er am Ziel sicher landen kann. Dies ermöglicht dem Roboter, besser, schneller und näher am Rand zu fahren, ohne tatsächlich zu crashen."

Technische Zusammenfassung: Maximal Controlled Invariant-MPC

Problemstellung
Sicherheitskritische Regelsysteme verlassen sich häufig auf Control Barrier Functions (CBFs), um Einschränkungen durchzusetzen. Die Konstruktion einer minimal konservativen CBF ist jedoch für Systeme höherer Ordnung rechnerisch unlösbar. Folglich führen Standardansätze oft zu übermäßig konservativen sicheren Mengen ( $X_{safe}$ ), die das System auf eine Teilmenge der wahren maximalen kontrollierten invarianten sicheren Menge ( $X^*_{safe}$ ) beschränken. Diese Konservativität verringert die Optimalität und Machbarkeit des Systems, insbesondere bei komplexen Navigationsaufgaben, bei denen das System in der Nähe der Grenzen bekannter unsicherer Regionen ( $X_{avoid}$ ) operieren muss. Bestehende Formulierungen der Modellprädiktiven Regelung (MPC), die CBFs integrieren, verlassen sich entweder auf kurzsichtige geometrische Einschränkungen, erfordern Schlupfvariablen und die Abstimmung von Zerfallsraten oder verhängen mehrstufige Quasi-CBF-Einschränkungen und versagen oft darin, formale Garantien für die Verringerung des Konservativismus oder die Erweiterung der erreichbaren Mengen mit zunehmendem Prädiktionshorizont zu bieten.

Methodik
Die Autoren schlagen eine neuartige MPC-Formulierung vor, die als MPC-MCI (Model Predictive Control with Maximal Controlled Invariant constraints) bezeichnet wird. Diese entkoppelt die transiente Sicherheit von der terminalen Invarianz, um den Konservativismus zu verringern, während formale Sicherheitsgarantien aufrechterhalten werden.

Formulierung: Das Optimierungsproblem minimiert eine Standard-Kostenfunktion über einen Prädiktionshorizont $N$ unter folgenden Bedingungen:
- Transiente Einschränkungen: Eine Vorzeichen-Abstandsfunktion $d(x)$ wird für alle Schritte $k \in \{0, \dots, N-1\}$ als nicht-negativ enforced ( $d(x_{t+k}) \ge 0$ ). Dies stellt sicher, dass das System während des Prädiktionshorizonts niemals in die bekannte unsichere Menge $X_{avoid}$ gelangt.
- Terminale Einschränkung: Eine einstufige Control Barrier Function-Einschränkung wird nur auf den terminalen Zustand auferlegt ( $h(x_{t+N}) \ge 0$ ). Dies verankert den terminalen Zustand innerhalb der bekannten sicheren Menge $X_{safe}$ , die eine Teilmenge der maximalen kontrollierten invarianten Menge $X^*_{safe}$ ist.
Theoretische Garantien:
- Rekursive Machbarkeit: Die Autoren liefern einen konstruktiven Beweis, der zeigt, dass das Problem, wenn es bei $t=0$ lösbar ist, für alle $t > 0$ lösbar bleibt. Der Beweis stützt sich auf die Tatsache, dass $X_{safe}$ kontrollinvariant ist; somit existiert eine gültige Steuerfolge, um das System nach Erreichen des terminalen Zustands unbegrenzt innerhalb von $X_{safe}$ zu halten.
- Sicherheit: Es wird bewiesen, dass die geschlossene Regelstrecke innerhalb von $X^*_{safe}$ (der maximalen kontrollierten invarianten Teilmenge von $X \setminus X_{avoid}$ ) bleibt, was Sicherheit gewährleistet, selbst wenn die Trajektorie vorübergehend in Regionen gelangt, in denen der CBF-Wert negativ ist ( $h < 0$ ), der Vorzeichen-Abstand jedoch positiv bleibt ( $d \ge 0$ ).
- Verbesserung der Erreichbarkeit: Durch Erreichbarkeitsanalyse zeigt die Arbeit, dass die einstufige erreichbare Menge für MPC-MCI monoton expandiert, wenn der Prädiktionshorizont $N$ zunimmt. Im Gegensatz dazu bleibt die erreichbare Menge für vorherige Methoden (insbesondere NMPC-DCBF) unabhängig von der Horizontlänge statisch.
Rechnerische Effizienz: Der konstruktive Charakter des Machbarkeitsbeweises ermöglicht ein Warm-Starting der nichtlinearen Optimierung. Der Optimierer verwendet die zuvor berechnete Trajektorie, ergänzt um eine Wiederherstellungssteuerstrategie, als Anfangsschätzung. Dies reduziert die Rechenzeit erheblich, ohne die Machbarkeitsgarantien zu beeinträchtigen.

Hauptbeiträge

Optimierungsrahmen: Entwicklung eines rekursiv machbaren MPC-Rahmens, der die Sicherheit garantiert, indem das System innerhalb der maximalen kontrollierten invarianten sicheren Teilmenge gehalten wird, und damit die Einschränkungen früherer Arbeiten [3, 4] adressiert.
Reduzierter Konservativismus: Die Methode erfordert nur die anfängliche Machbarkeit, um zukünftige Sicherheit zu garantieren, und ermöglicht es dem System, in Regionen außerhalb der konservativen $X_{safe}$ zu operieren (d. h. innerhalb von $X^*_{safe} \setminus X_{safe}$ ), sofern diese geometrisch sicher sind ( $d \ge 0$ ).
Vereinfachte Einschränkungen: Im Gegensatz zu Ansätzen, die zweistufige Quasi-CBFs [7] oder Schlupfvariablen mit Zerfallsraten [4] verwenden, verhängt MPC-MCI eine einzige terminale CBF-Einschränkung und eine Abstandseinschränkung entlang des Horizonts, wodurch die Notwendigkeit für Parameteranpassungen (z. B. $\gamma$ ) oder Hilfs-Einschränkungsfunktionen entfällt.
Konstruktive Beweise: Die Arbeit liefert konstruktive Beweise für die rekursive Machbarkeit, die ein Warm-Starting ermöglichen und die Berechnung erheblich beschleunigen.
Erreichbarkeitsanalyse: Formaler Nachweis, dass sich die machbaren und erreichbaren Mengen mit zunehmendem Prädiktionshorizont erweitern, eine Eigenschaft, die in früheren NMPC-DCBF-Formulierungen nicht garantiert war.

Ergebnisse
Die vorgeschlagene Methode wurde durch Simulationen an einem 2D-nicht-holonomen Unizykel-System mit einem kreisförmigen Hindernis validiert.

Verbesserung der Machbarkeit: Die Anzahl der unmachbaren Anfangszustände verringerte sich im Vergleich zum NMPC-DCBF-Ansatz um einen Faktor von 1,74 bis 2,73. Insbesondere sanken bei einem Hochgeschwindigkeitsfall die unmachbaren Punkte von 5.560 auf 2.034.
Horizontabhängigkeit: Wenn der Prädiktionshorizont $N$ zunahm (von 2 auf 21), stieg der Anteil der machbaren Zustände für MPC-MCI monoton an (z. B. von 0,74 auf 0,84 in Fall 1), während der machbare Anteil für NMPC-DCBF konstant blieb.
Trajektorienverfolgung: Das System verfolgte erfolgreich eine Referenztrajektorie, die vollständig innerhalb der „unsicheren" Region der CBF lag ( $h < 0$ ), aber geometrisch sicher blieb ( $d \ge 0$ ). Der konservative NMPC-DCBF scheiterte daran, diese Trajektorie zu verfolgen, und wich entweder erheblich ab oder bewegte sich zu langsam.

Bedeutung
Die Arbeit behauptet, dass die Verankerung der Sicherheit am terminalen Zustand anstelle der Durchsetzung von CBF-Einschränkungen entlang des gesamten Horizonts eine prinzipielle Methode ist, um die durch konservatives CBF-Design verlorene Optimalität wiederzugewinnen. Durch die Nutzung der Vorzeichen-Abstandsfunktion für die transiente Sicherheit und der CBF nur für die terminale Invarianz erreicht die MPC-MCI-Formulierung einen nachweislich sicheren Regler, der Trajektorien zulässt, die in Regionen „unbekannter Sicherheit" ( $X^*_{safe} \setminus X_{safe}$ ) vordringen. Dieser Ansatz eliminiert die Notwendigkeit von Schlupfvariablen, Zerfallsraten-Anpassungen oder komplexen mehrstufigen Einschränkungen und bietet eine rechnerisch effiziente und weniger konservative Alternative für sicherheitskritische Regelungen in nichtlinearen Systemen.