Technische Samenvatting: Online Adaptieve Control Barrier Functions onder Epistemische en Aleatorische Onzekerheid

1. Probleemstelling

Control Barrier Functions (CBFs) zijn een standaardinstrument voor het afdwingen van veiligheidsrestricties in robotica door middel van de synthese van veiligheidsfilters die de nominale controller minimaal aanpassen. De praktische prestaties van een CBF-gebaseerde controller zijn echter sterk afhankelijk van de keuze van de parameters van de class-$\mathcal{K}$ functie (vervalrates). Dit creëert een fundamentele afweging:

• Conservatieve parameters garanderen haalbaarheid en veiligheid, maar resulteren vaak in trage, omwegen bewegingen.
• Agressieve parameters verbeteren de voortgang, maar kunnen de veiligheidsfilter onhaalbaar of onveilig maken, met name onder invoerbeperkingen of nabij obstakels.

Bestaande leergebaseerde benaderingen die proberen deze parameters online aan te passen, behandelen het geleerde model vaak als een directe generator van optimale parameters. Dit introduceert een kritiek risico: als het model overmoedig is bij out-of-distribution (OOD) toestanden of obstakelconfiguraties, kan het ongeldige parameters genereren die de veiligheidsfilter direct in gevaar brengen. Bovendien missen veel bestaande methoden expliciete mechanismen om voorspellende onzekerheid te beoordelen of parameters te valideren tegen invoerbeperkingen voordat ze worden toegepast.

Dit artikel behandelt de uitdaging van online CBF-parameteradaptatie onder invoerbeperkingen, met als doel conservatisme te verminderen terwijl veiligheid wordt gegarandeerd door een rigoureus, onzekerheidsbewust verificatieproces.

2. Methodologie: Online Adaptieve CBF (OA-CBF)

Het voorgestelde framework, OA-CBF, verschuift het paradigma van directe parameterpredictie naar de onzekerheidsbewuste evaluatie van kandidaat-parameters. In plaats van één optimale parameter te voorspellen, samplet het systeem kandidaat-parameters, evalueert deze tegen veiligheids- en prestatie-metrics, en selecteert de best geverifieerde kandidaat.

A. Lokaal gevalideerde CBF-parameters

In plaats van te vereisen dat één enkele parameter globaal geldig is voor alle toekomstige toestanden (wat vaak onhandelbaar en overmatig conservatief is), introduceert OA-CBF het concept van lokaal gevalideerde CBF-parameters. Een parameter wordt als lokaal geldig beschouwd als deze voldoet aan de Input-Constrained CBF (ICCBF) conditie over een eindige voorspellingshorizon $[t, t+T]$.

• Het framework certificeert dat de systeemtraject binnen een "innerlijke veilige set" $C^\star(\alpha)$ blijft tijdens deze horizon.
• Door de parameter op intervallen korter dan de horizon herhaaldelijk bij te werken, wordt veiligheid gewaarborgd via een receding-horizon validatiemechanisme.

B. Ontwerp van het Voorspellingsmodel

Om kandidaten efficiënt te evalueren, gebruikt OA-CBF een Probabilistic Ensemble Neural Network (PENN) die offline is getraind.

• Graph-Attention Encoder: Om omgevingen met een variabel aantal obstakels aan te kunnen, gebruikt het model een graph neural network (GNN) met aandachtmechanismen. Het aggregeert informatie van alle waargenomen obstakels (robot, doel en obstakels als knopen) zonder padding of heuristische selectie, en produceert een contextvector.
• Inputstructuur: De kandidaat CBF-parameter $\tilde{\alpha}$ wordt expliciet geconcateneerd met de omgevingscontextvector. Het netwerk voorspelt distributies over twee metrics:
  1. Veiligheidsmetric ($\phi$): Een risiconiveau afgeleid van een safety-loss densiteitsfunctie die ICCBF-schendingen en nabijheid tot obstakels bestraft.
  2. Prestatie-metric ($\delta$): Een maatstaf voor de efficiëntie van de voortgang (bijv. tijd tot doel).
• Ensemble Architectuur: De PENN bestaat uit meerdere onafhankelijke neurale netwerken om zowel epistemische onzekerheid (modelonzekerheid door beperkte data) als aleatorische onzekerheid (inherente ruis in het systeem) te vangen.

C. Tweestaps Onzekerheidsbewuste Verificatie

Voordat een kandidaat-parameter wordt toegepast, moet deze twee strenge poorten passeren:

1. Epistemische Onzekerheidspoort (Conformal Prediction):

   • Het systeem kwantificeert de onenigheid tussen modellen met behulp van de Jensen-Rényi Divergentie (JRD) over het ensemble.
   • Een drempelwaarde $D_{thr}$ wordt gekalibreerd met behulp van conformal prediction op een held-out dataset om een specifieke in-distribution recall rate te garanderen.
   • Als de JRD de drempelwaarde overschrijdt, wordt de input als OOD beschouwd en wordt de voorspelling afgewezen om overmoedige extrapolatie te voorkomen.

2. Aleatorische Risicoscreening (Distributionally Robust CVaR):

   • Voor kandidaten die de epistemische poort passeren, evalueert het systeem de Conditional Value at Risk (CVaR) van de voorspelde veiligheidsmetric.
   • Een distributioneel robuuste conditie zorgt ervoor dat zelfs het meest conservatieve ensemblelid een risiconiveau onder de veiligheidsdrempel voorspelt met een hoge waarschijnlijkheid. Dit schermt voor aleatorische risico's (ruis/variabiliteit) die tot veiligheidsschendingen kunnen leiden.

D. Selectie en Controle

Onder de kandidaten die beide verificatiestadia passeren, selecteert het systeem de parameter die de voorspelde prestatie-metric $\delta$ minimaliseert. Deze geselecteerde parameter wordt vervolgens toegepast op de controller, die gerealiseerd kan worden als een CBF-QP of een sampled-data MPC-CBF.

3. Belangrijkste Bijdragen

Het artikel levert vier primaire bijdragen:

1. Lokaal Gevalideerde CBF-formulering: Een nieuw probleemformulering die CBF-parameters aanpast door ze te verifiëren over een eindige horizon in plaats van te zoeken naar een globale oplossing, waarbij bewezen wordt dat herhaalde lokale validatie de veiligheid waarborgt.
2. Onzekerheidsbewuste Verificatie: Een tweestaps procedure die conformal prediction combineert voor epistemische gating en distributionally robust CVaR voor aleatorische risicoscreening, waardoor wordt gegarandeerd dat alleen betrouwbare voorspellingen de controller beïnvloeden.
3. Graph-Attention Voorspellingsarchitectuur: Een schaalbare encoder die omgevingen met variabele groottes verwerkt zonder informatieverlies, waardoor het model willekeurige kandidaat-parameters kan evalueren in plaats van slechts één deterministische waarde uit te geven.
4. Brede Toepasbaarheid: Demonstratie dat het framework werkt met zowel MPC-CBF als CBF-QP filters en toepasbaar is op zowel afstand-gebaseerde (ICCBF) als niet-afstand-gebaseerde (Dynamic Parabolic CBF) veiligheidsrestricties.

4. Experimentele Resultaten

Het OA-CBF framework werd geëvalueerd op vijf nietlineaire, input-beperkte systemen: Dynamic Unicycle, Planar Quadrotor (Quad2D), 3D Quadrotor (Quad3D), Kinematic Bicycle, en VTOL Quadplane.

• Veiligheid vs. Conservatisme: Vergeleken met fixed-parameter baselines, verminderde OA-CBF de conservatieve aard aanzienlijk. Zo bereikte het op de Dynamic Unicycle een veiligheidsfoutpercentage van 0% met een gemiddelde bereiktijd van 10,8s, terwijl een conservatieve vaste parameter 31,0s duurde (0% fouten), en een agressieve vaste parameter een foutpercentage van 39% had.
• Vergelijking met Leer-baselines: OA-CBF presteerde beter dan leergebaseerde baselines zoals BarrierNet en optimal-decay methoden. Hoewel sommige baselines snelle tijden behaalden tijdens succesvolle pogingen, leden zij onder hoge foutpercentages (bijv. BarrierNet had een foutpercentage van 60% op de Unicycle). OA-CBF handhaafde een foutpercentage van 0% over alle afstand-gebaseerde benchmarks terwijl het de snelste bereiktijden behaalde onder de veilige methoden.
• Impact van Graph-Attention: Het vervangen van de voorgestelde graph-attention encoder door een standaard "closest-obstacle" encoder met volledig verbonden lagen verhoogde de veiligheidsfouten (bijv. van 0% naar 11% op Quad2D), wat het belang aantoont van het verwerken van de volledige obstakelomgeving.
• Niet-Afstand-gebaseerde CBFs: Op de Kinematic Bicycle met gebruik van een Dynamic Parabolic CBF (gedefinieerd in relatieve snelheidsruimte), verminderde OA-CBF het veiligheidsfoutpercentage van 84% (agressief vast) naar 1%, wat de toepasbaarheid van de methode buiten signed-distance functies bewijst.

5. Betekenis en Claims

Het artikel claimt dat OA-CBF een hanteerbaar mechanisme biedt om de afweging tussen veiligheid en prestaties in CBF-gebaseerde controle op te lossen. Door het geleerde model te behandelen als een onzekerheidsbewuste evaluator in plaats van een directe generator, wijst het framework onveilige of onbetrouwbare updates expliciet af voordat ze worden toegepast.

De auteurs benadrukken dat de methode:

• Conservatisme Vermindert: Het staat het systeem toe om dichter bij de grenzen van de veilige set te opereren wanneer de omstandigheden dit toestaan, in tegen tegenstelling tot vaste conservatieve parameters.
• Robuustheid Garandeert: Door middel van conformal kalibratie en CVaR-screening wordt het risico op overmoed van neurale netwerken en distributieverschuivingen gemitigeerd.
• Generaliseert: Het is effectief over diverse dynamieken (van unicycles tot VTOL-vliegtuigen) en verschillende CBF-formuleringen (afstand-gebaseerd en relatieve-snelheid gebaseerd).

Het artikel sluit bescheiden af door te erkennen dat de kwaliteit van de adaptatie afhangt van de dekking van de offline trainingsdata en dat hardware-implementatie verdere arbeid vereist om sensorfouten, ongemodelleerde dynamica en real-time optimalisatie-latentie aan te pakken.