Technische Samenvatting: VertexCBF

Probleemstelling

Naarmate autonome robotica-toepassingen groeien, blijft het waarborgen van veilige en betrouwbare operaties een kritieke uitdaging. Hoewel Control Barrier Functions (CBF's) een theoretisch gefundeerd kader bieden voor veiligheidsfiltering, is het ontwerpen van effectieve CBF's voor systemen met staat- en invoerrestricties berucht moeilijk. Bestaande op leren gebaseerde methoden hebben vaak moeite met schaalbaarheid, interpreteerbaarheid, of resulteren in overmatig conservatieve veilige verzamelingen. Bovendien zijn benaderingen die uitsluitend vertrouwen op natuurkundig geïnformeerd leren (het oplossen van Hamilton–Jacobi–Bellman variatie-ongelijkheden) vaak niet in staat om te convergeren naar niet-triviale of suboptimale oplossingen, terwijl methoden die gebruikmaken van volledige controle-trajectoptimalisatie voor supervisie computationeel duur en minder informatief kunnen zijn.

Methodologie: VertexCBF

De auteurs stellen VertexCBF voor, een framework voor het leren van neurale CBF's die de optimale veilige verzameling benaderen die wordt gekarakteriseerd door Hamilton–Jacobi (HJ) reachability. De methode integreert natuurkundig geïnformeerd leren met schaarse, hoogwaardige supervisie afgeleid van een specifieke structurele eigenschap van control-affine systemen.

Kerncomponenten

1. Neurale Approximatie van de Waarde-functie:
   De methode benadert de stationaire HJ veiligheidswaarde-functie $V(x)$ met behulp van een neuraal netwerk. Om te garanderen dat de geleerde veilige verzameling nooit de oorspronkelijke fysieke restricties overschrijdt, gebruikt het netwerk een residuele architectuur:
   $$V_\Theta(x) = c(x) - r_\Theta(x)$$
   waarbij $c(x)$ de restrictiefunctie is en $r_\Theta(x) \geq 0$ een niet-negatieve residu is gegenereerd door een Multi-Layer Perceptron (MLP). Dit garandeert dat $V_\Theta(x) \leq c(x)$, wat verzekert dat de geleerde veilige verzameling een deelverzameling is van de restrictieverzameling.

2. Vertex-Beperkte Controle-zoekopdracht:
   De belangrijkste innovatie ligt in het genereren van supervisie-labels. Voor control-affine systemen ($\dot{x} = f(x) + g(x)u$) met een convexe polytoop controleverzameling $U$, wordt het Hamiltonian gemaximaliseerd op de vertices (hoekpunten) van $U$.

   • In plaats van complexe partiële differentiaalvergelijkingen (PDE's) op te lossen of volledige controle-trajectoptimalisatie (bijv. MPPI) uit te voeren, beperkt VertexCBF de controle-zoekopdracht tot de vertices van de controle-polytoop.
   • Dit transformeert het oneindige-horizon veiligheidsprobleem in een eindige-horizon optimalisatie over een discrete set controle-sequenties.
   • Supervisie-labels worden gegenereerd via GPU-geparalleliseerde boom-zoekopdrachten (met behulp van Beam Search, Stochastic Beam Search of Branch-and-Bound) over deze vertex-beperkte trajecten. Dit voorkomt de noodzaak van numerieke PDE-solvers en vermindert de computationele last vergeleken met volledige controle-sampling.

3. Trainingsdoelstelling:
   Het neurale netwerk wordt getraind door het minimaliseren van een convexe combinatie van twee verliestermen:

   • Natuurkundig Geïnformeerde Loss ($L_{PDE}$): Dwingt de stationaire HJ variatie-ongelijkheid lokaal af op dicht bemonsterde, ongelabelde staten.
   • Data Loss ($L_{data}$): Minimaliseert de gemiddelde kwadratische fout tussen de netwerkoutput en de labels gegenereerd door de vertex-beperkte boom-zoekopdracht bij schaars bemonsterde staten.
     Deze combinatie stuurt de optimalisatie weg van triviale constante oplossingen (die gebruikelijk zijn bij alleen PDE-gebaseerd leren) terwijl de lokale consistentie met de systeemdynamica behouden blijft.

Belangrijkste Bijdragen

• Systematisch Leerframework: Het artikel introduceert een methode voor het leren van neurale CBF's die de maximale veilige verzameling benadert door HJ reachability-theorie te combineren met supervised learning.
• Vertex-Beperkte Supervisie: Door gebruik te maken van de control-affine dynamica en convexe controle-restricties, demonstreren de auteurs dat supervisie efficiënt kan worden gegenereerd via een vertex-beperkte boom-zoekopdracht. Deze benadering is schaalbaarder dan volledige controle-sampling en effectiever dan alleen PDE-gebaseerde optimalisatie.
• Residuele Parametrisatie: Het gebruik van een residuele architectuur zorgt voor een ingebouwde garantie dat de geleerde CBF begrensd wordt door de restrictiefunctie, waardoor het leerproces voorkomen wordt dat de veilige verzameling buiten de fysieke limieten uitbreidt.
• Uitgebreide Evaluatie: De methode wordt geëvalueerd op 15 diverse dynamische systemen (variërend van 2 tot 1⁠3 staten en 1 tot 6 controles) en vergeleken met PDE-only baselines en volledige controle MPPI-supervisie.

Experimentele Resultaten

De evaluatie toont aan dat VertexCBF consequent grotere en meer betrouwbare veilige verzamelingen herstelt dan de baseline-methoden:

• Betrouwbaarheid: Alleen op PDE gebaseerd leren (ND) faalt regelmatig door te convergeren naar triviale oplossingen met lege veilige verzamelingen of hoge false-safe rates ($\rho_{FS}$). VertexCBF behoudt lage false-safe rates bij de meeste systemen.
• Effectiviteit: Vergeleken met Full-Control Data (FCD) gegenereerd via MPPI, bereikt VertexCBF (gebruikmakend van Vertex-Restricted Control Data, VRCD) concurrerende of superieure effectieve veilige volumes ($\eta_{eff}$) en lagere false-unsafe rates ($\rho_{FU}$). De volledige controle MPPI-supervisie resulteert vaak in overmatig conservatieve veilige verzamelingen.
• Hardware Validatie: Een hardware-experiment met een mobiele robot die navigeert tussen voetgangers bevestigde dat de geleerde neurale CBF in realtime kan worden ingezet als veiligheidsfilter, waarbij botsingen in alle 10 de proeven succesvol werden vermeden ondanks model-mismatches (bijv. bandenslip, vertraagde perceptie).

Betekenis en Claims

Het artikel beweert dat VertexCBF een praktische en systematische ontwerpbenadering biedt voor het leren van neurale CBF's. De significantie ligt in:

1. Schaalbaarheid: Het vermijdt de onhandelbaarheid van grid-gebaseerde PDE-solvers en de hoge computationele kosten van volledige controle-trajectoptimalisatie door gebruik te maken van de vertex-structuur van controle-sets.
2. Robuustheid: Het overwint de instabiliteit en trivialiteit van alleen op PDE gebaseerde leerprocessen door hoogwaardige, schaarse supervisie te introduceren die afgeleid is van vertex-beperkte zoekopdrachten.
3. Veiligheidsgaranties: De residuele architectuur biedt een ingebouwde garantie dat de geleerde veilige verzameling binnen de oorspronkelijke staat-restricties blijft.

De auteurs erkennen beperkingen en merken op dat de methode nog geen formele convergentiegaranties of deterministische foutmargen biedt, maar vertrouwt op post-training validatie via closed-loop rollouts. Ze merken ook op dat hoewel de methode goed schaalt naar systemen met tot 13 staten, zeer hoog-dimensionale whole-body dynamica (bijv. volledige humanoïde modellen) nog steeds computationele uitdagingen kunnen vormen door de exponentiële groei van de boom-zoekopdracht met het aantal controle-vertices. Toekomstig werk wordt gesuggereerd om convergentiegaranties, schaalbaarheid voor hoog-dimensionale systemen en uitbreidingen naar onzekere dynamica aan te pakken.