⚡ electrical engineering

Designing Control Barrier Functions Using a Dynamic Backup Policy

Dit artikel stelt een systematische methode voor het construeren van control barrier functions voor nietlineaire controle-affiene systemen met willekeurige beperkingen door een familie van backup-policies te definiëren die geparametriseerd worden door de evenwichtsmultifold en door de afstand tot toekomstige schendingen van beperkingen te evalueren in een uitgebreide toestands- en referentieruimte.

Oorspronkelijke auteurs: Victor Freire, Marco M. Nicotra

Gepubliceerd 2026-06-04

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Victor Freire, Marco M. Nicotra

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een high-performance raceauto bestuurt die een zeer strikte regel heeft: je mag nooit de muren van het circuit raken, en je mag het gaspedaal nooit harder indrukken dan de motor aankan.

Stel je nu voor dat je deze auto zo snel mogelijk wilt besturen om een specifieke bestemming te bereiken, maar dat je niet wilt crashen. Dit is het probleem waar ingenieurs voor staan wanneer ze robots of zelfrijdende auto's programmeren. Ze hebben een "Safety Filter" (veiligheidsfilter) nodig die tussen de commando's van de bestuurder en de motor van de auto zit. Als de bestuurder iets gevaarlijks probeert te doen, grijpt het filter in om de auto voorzichtig terug naar veiligheid te sturen zonder de rit te verpesten.

Dit artikel introduceert een nieuwe, slimmere manier om dat veiligheidsfilter te bouwen. Hier is de uitleg van hun idee met behulp van eenvoudige analogieën:

1. Het Probleen: De "Glazen Bol" is moeilijk te vinden

Normaal gesproken proberen ingenieurs om een robot veilig te houden door een perfecte "veilige zone"-kaart rondom de robot te tekenen. Maar voor complexe machines (zoals een robotarm of een balancerende staaf) is het ontzettend moeilijk om zo'n kaart te tekenen. Als de kaart fout is, kan de robot crashen. Als de kaart te voorzichtig is, beweegt de robot als een schildpad.

2. De Oplossing: De "Back-up Plan" Strategie

De auteurs stellen een andere aanpak voor, geïnspireerd door een concept genaamd een "Reference Governor". Denk er als volgt over:

In plaats van te proberen elke mogelijke toekomstige ramp te voorspellen, stelt het systeem een simpele vraag: "Als ik nu zou stoppen met 'fancy' doen en gewoon overschakel naar mijn 'Safe Mode' (back-up plan), zou ik dan nog steeds veilig zijn?"

De "Safe Mode" (Back-up Beleid): Stel je voor dat de robot een vooraf geprogrammeerde "paniekknop" heeft. Als je die indrukt, stopt de robot met proberen om snel te zijn en stabiliseert hij zichzelf simpelweg langzaam naar een veilige, staande positie.
De Test: Het systeem kijkt naar de huidige positie van de robot en vraagt: "Als ik nú op de paniekknop druk, zal ik dan crashen voordat ik tot stilstand kom?"
- Als het antwoord NEE is (ik ben veilig), dan mag de robot alles doen wat hij wil (snel rijden, de arm bewegen).
- Als het antwoord JA is (ik crash voordat ik tot stilstand kom), dwingt het systeem de robot onmiddellijk om af te remmen of van richting te veranderen om die crash te vermijden.

3. De Innovatie: Een "Familie" van Back-up Plannen

Eerdere versies van dit idee hadden een gebrek: ze hadden slechts één back-up plan. Het is alsolijk alsof een gebouw slechts één nooduitgang heeft. Als je in een hoek staat, kan die uitgang heel ver weg zijn.

Dit artikel introduceert een Dynamisch Back-up Beleid.

De Analogie: Stel je voor dat de robot niet alleen één nooduitgang heeft, maar een hele buurt van veilige uitgangen die veranderen afhankelijk van waar hij zich bevindt.
Het systeem gebruikt een "virtuele referentie" (een doelpunt) om het beste back-up plan te kiezen voor de huidige situatie. Het is alsof je een GPS hebt die direct de dichtstbijzijnde, veiligste parkeerplaats voor je auto berekent op basis van waar je nú bent, in plaats van je te dwingen naar één enkele, vaste parkeerplaats te rijden.

4. Hoe ze het werkend maken (De Wiskundige Magie)

Om dit werkend te krijgen op een computer, moesten de auteurs twee lastige problemen oplossen:

Het "Oneindige Toekomst" Probleem: Controleren of je "voor altijd" veilig bent, is onmogelijk voor een computer.
- Hun oplossing: Ze controleren de toekomst voor een korte, beheersbare tijd (zo's als 10 seconden). Vervolgens gebruiken ze een wiskundige garantie (een "Lyapunov"-functie) om te zeggen: "Als je voor deze 10 seconden veilig bent en je eindigt in deze specifieke 'veilige zone', dan ben je gegarandeerd voor altijd veilig daarna."
Het "Gekartelde Rand" Probleem: Soms wordt de wiskunde voor de "dichtstbijzijnde veilige uitgang" gekarteld en moeilijk te berekenen (zoals een verkreukeld stuk papier).
- Hun oplossing: Ze gebruikten geavanceerde wiskundige instrumenten (genaamd Clarke generalized Jacobians) om die gekartelde randen glad te strijken, zodat de computer het probleem snel en betrouwbaar kan oplossen.

5. Het Bewijs: De Balancerende Staaf

Om te bewijzen dat hun idee werkt, hebben ze het getest op een klassieke robotica-uitdaging: een omgekeerde pendel op een karretje.

De Opstelling: Stel je een bezemsteel voor die in balans is op een bewegend karretje. Het doel is om het karretje van punt A naar punt B te bewegen zonder dat de bezemsteel omvalt of het karretje de muren raakt.
Het Resultaat: Ze vergeleken hun nieuwe "Trajectory DSM-CBF" methode met andere methoden.
- De "Normale" manier veroorzaakte crashes.
- De "Oude Veilige" manier was te traag en te voorzichtig.
- De "Back-up" manier werkte, maar was traag.
- Hun Nieuwe Manier: De robot bewoog het karretje naar het doel sneller en soepeler dan de anderen, terwijl er nog steeds een garantie was dat hij nooit de muren zou raken of de bezemsteel zou laten vallen.

Samenvatting

Kortom, dit artikel geeft ingenieurs een systematisch recept om een "Safety Filter" te bouwen voor complexe machines. In plaats van te gokken, vraagt het systeem constant: "Als ik nu overschakel naar mijn beste 'safe mode', zal ik het dan overleven?" Als het antwoord ja is, is de machine vrij om snel te bewegen. Als het antwoord nee is, vertraagt de machine net genoeg om veilig te blijven. Dit stelt robots in staat om zowel snel als veilig te zijn op hetzelfde moment.

Technische Samenvatting: Het ontwerpen van Control Barrier Functions met een dynamisch backup-beleid

Probleemstelling
Control Barrier Functions (CBFs) zijn gevestigde instrumenten voor het synthetiseren van veiligheidsfilters voor niet-lineaire controle-affiene systemen onderhevig aan toestands- en invoerbeperkingen. De systematische constructie van geldige CBFs voor algemene systemen onder willekeurige beperkingen blijft echter een openstaand probleem. In de praktijk vertrouwen experts vaak op kandidaat-CBFs die zijn afgesteld met slack-variabelen, maar deze missen strikte veiligheidsgaranties. Bestaande systematische benaderingen omvatten machine learning, sum-of-squares optimalisatie en backup-CBFs die gebruikmaken van vooraf gespecificeerde beleidscycli. Er bestaat een specifieke kloof in het ontwerpen van CBFs die willekeurige beperkingen rigoureus kunnen afhandelen, terwijl ze een dynamisch, geparametriseerd backup-strategie bieden die de conservativiteit van Lyapunov-gebaseerde methoden of de traagheid van traditionele Reference Governor (RG) benaderingen vermijdt.

Methodologie
De voorgestelde methode construeert CBFs binnen een uitgebreide toestand-en-referentieruimte ( $\mathbb{R}^n \times \mathbb{R}^l$ ), geïnspireerd door de literatuur over Reference Governors en Dynamic Safety Margins (DSMs). De kernmethodologie omvat de volgende stappen:

Systeemopstelling en Aannames: De benadering beschouwt controle-affiene systemen $\dot{x} = f(x) + g(x)u$ onderhevig aan beperkingen. Er wordt vanuit gegaan dat er een evenwichtsmanifold bestaat die wordt geparametriseerd door een virtuele referentie $v$ , samen met een continu differentieerbaar, lokaal stabiliserend controlebeleid $\pi(x, v)$ dat het evenwicht $\bar{x}(v)$ asymptotisch stabiel maakt.
Trajectgebaseerde DSM-definitie: In plaats van Lyapunov-functies te gebruiken, definiëren de auteurs een Dynamic Safety Margin (DSM) $\Delta(x, v)$ gebaseerd op het traject van het "pre-gestabiliseerde" systeem (waarbij de controle-input vaststaat op $\pi(x, v)$ ). De DSM kwantificeert de minimale afstand tot een schending van de beperkingen over een toekomstige tijdshorizon, uitgaande van een constante referentie $v$ :
$\Delta(x, v) = \inf_{\tau \in [0, \infty)} c(\Phi(\tau, x, v), v)$
waarbij $\Phi$ de flow is van de pre-gestabiliseerde dynamica en $c$ de beperkingen beschrijft.
Gevoeligheidsanalyse: Om de Lie-afgeleiden te berekenen die vereist zijn voor de CBF-conditie, leiden de auteurs de gevoeligheidsJacobianen af van de flow $\Phi$ met betrekking tot de initiële toestand $x$ ( $S_x$ ) en de referentie $v$ ( $S_v$ ). Zij bewijzen dat onder milde aannames (Hurwitz-linearisatie bij evenwicht) deze gevoeligheidsmatrices convergeren naar bekende waarden als $\tau \to \infty$ .
Hanteerbare Formulering: Om de computationele onhandelbaarheid van oneindige horizonten en de potentiële niet-gladheid van de infimumfunctie aan te pakken, gebruikt de methode:
- Eindige Horizon met Terminale Beperkingen: De oneindige horizon wordt afgekapt tot $[0, T]$ , waarbij een terminale DSM $\Delta_F$ (bijv. Lyapunov-gebaseerd) invariantie garandeert voor $\tau > T$ .
- Clarke Generalized Jacobians: Om gevallen aan te pakken waarin het infimum niet uniek is (niet-gladheid), worden de CBF-voorwaarden afgedwongen met behulp van de Clarke generalized Jacobians, wat ervoor zorgt dat de CBF-conditie geldt voor alle subgradiënten.
Implementatie van het Veiligheidsfilter: De resulterende CBF wordt gebruikt in een Quadratic Program (QP) veiligheidsfilter. Dit filter minimaliseert de afwijking van een nominale controller $\kappa(x)$ en een referentie-navigatieveld $\rho(v)$ , onder de voorwaarde dat de tijdsafgeleide van de DSM (berekend via de gevoelijkheidsJacobianen) voldoet aan de CBF-conditie.

Belangrijkste Bijdragen
Het artikel breidt eerder werk op het gebied van DSMs en backup-CBFs uit met vier specifieke bijdragen:

Geparametriseerd Backup-beleid: Het backup-beleid is niet één enkel statisch beleid, maar is geparametriseerd door de evenwichtsmanifold van het systeem. Dit stelt de veiligheidsfilter in staat om een familie van backup-beleidscycli te gebruiken in plaats van één vast beleid.
Dynamische Parametrisatie: Het backup-beleid is dynamisch omdat de parametrisatie ervan (de referentie $v$ ) tijdvariërend is, wat zorgt voor een flexibelere handhaving van de veiligheid.
Stabiliteit van Gevoeligheidsmatrices: De auteurs demonstreren rigoureus dat de onderliggende gevoelijkheidsmatrices ( $S_x$ en $S_v$ ) asymptotisch stabiel zijn onder milde aannames, wat de berekening van de CBF-afgeleiden vergemakkelijkt.
Afhandeling van Niet-Gladheid: De potentiële niet-gladheid van de resulterende CBF wordt rigoureus aangepakt met behulp van Clarke generalized Jacobians, waardoor de veiligheidsgaranties standhouden, zelfs wanneer het trajectgebaseerde minimum niet uniek is.

Resultaten
De methode wordt gevalideerd op een inverted pendulum op een kar (inverted pendulum on a cart), een systeem dat wordt gekenmerkt door inputverzadiging, meerdere beperkingen, sterke niet-lineariteiten, een hoge relatieve graad en non-minimum phase dynamica. Het systeem heeft als taak om van een initiële positie naar een doel te bewegen terwijl de toestand- en invoerlimieten worden gerespecteerd.

Vergelijkende simulaties met vier andere benaderingen (Nominaal controle, Lyapunov-gebaseerde DSM-CBF, Reference Governor (ERG) en Backup CBF) tonen aan dat:

De Nominale controller er niet in slaagt om aan de beperkingen te voldoen.
De Lyapunov-gebaseerde DSM-CBF te conservatief is, wat resulteert in een tragere prestatie.
De Reference Governor (ERG) benadering systematisch trager is dan CBF-gebaseerde methoden.
De Backup CBF (met gebruik van een vast backup-beleid) werkt, maar trager is dan de voorgestelde methode.
De voorgestelde Trajectgebaseerde DSM-CBF de beste prestaties levert terwijl de naleving van de beperkingen gegarandeerd blijft. De auteurs schrijven dit toe aan de extra vrijheidsgraad die wordt geboden door het parametriseren van het backup-beleid via de referentie $v$ , waardoor het systeem de beperkingen efficiënter kan navigeren dan bij vaste beleid-backups.

Betekenis en Claims
Het artikel claimt een systematische benadering te bieden voor het construeren van geldige CBFs voor niet-lineaire systemen met willekeurige beperkingen, waarmee het verder gaat dan de afhankelijkheid van heuristische kandidaatfuncties. Door gebruik te maken van trajectvoorspellingen van een pre-gestabiliseerd systeem, overbrugt de methode de kloof tussen de rigoureuze veiligheid van CBFs en de flexibiliteit van Reference Governors. De auteurs benadrukken dat de benadering computationeel hanteerbaar is omdat de trajectvoorspellingen alleen afhangen van de huidige toestand en referentie, en niet van de optimalisatievariabelen, waardoor de kosten verwaarloosbaar blijven vergeleken met Model Predictive Control (MPC). Het werk stelt vast dat dynamische veiligheidsmargen afgeleid van trajectanalyse geldige CBFs zijn, die een rigoureus alternatief bieden voor Lyapunov-gebaseerde constructies die mogelijk te conservatief zijn voor open-loop instabiele systemen.