Funnel Control Under Hard and Soft Output Constraints (extended version)

Each language version is independently generated for its own context, not a direct translation.

这篇论文主要解决了一个控制领域的难题：如何在一个充满“硬性规定”和“软性期望”的复杂环境中，让机器人既安全又高效地工作？

为了让你更容易理解，我们可以把这篇论文的核心思想想象成**“一位经验丰富的老司机在开车”**的故事。

1. 核心场景：硬约束 vs. 软约束

想象你正在驾驶一辆自动驾驶汽车（这就是论文中的“机器人”或“机械系统”）：

硬约束（Hard Constraints）= 安全红线（不可逾越）
- 这就像高速公路的护栏或者墙壁。
- 无论发生什么，车子绝对不能撞上去。如果撞了，车会坏，人会受伤。这是绝对的安全底线。
- 在论文里，这被称为“硬输出约束”，比如机器人不能跑出某个特定的安全盒子。
软约束（Soft Constraints）= 性能期望（最好能做到）
- 这就像导航仪上的最佳路线或者你希望保持的车速。
- 你希望车子走直线、速度快、误差小。如果做到了，那是完美的；但如果为了避开障碍物（硬约束）不得不绕路，你也能接受，只要别撞墙就行。
- 在论文里，这被称为“软输出约束”，比如机器人要紧紧跟随一个移动的目标。

以前的难题：
以前的控制方法有点像“死脑筋”。如果导航仪（软约束）让你往左开，但左边有墙（硬约束），旧方法可能会卡住，或者为了强行走直线而撞墙。它们很难在“必须安全”和“尽量完美”之间灵活切换。

2. 论文的创新方案：智能的“动态车道规划”

这篇论文提出了一种聪明的新方法，叫**“漏斗控制”（Funnel Control）。我们可以把它想象成给机器人画了一条“动态车道”**。

第一步：在线规划“安全车道”（Constraint Consistent Funnel）

这就好比你的车载电脑在实时画车道：

平时（和谐状态）： 当“安全墙”和“最佳路线”不冲突时，电脑画出的车道既贴着墙（保证安全），又沿着最佳路线（保证性能）。
冲突时（紧急情况）： 当最佳路线突然指向墙壁，或者墙壁突然挡住了最佳路线时，电脑会瞬间修改车道。
- 它会优先保命：车道会立刻紧贴着“安全墙”画，哪怕这意味着要暂时偏离“最佳路线”。
- 它会动态调整：一旦危险过去，车道又会平滑地慢慢移回“最佳路线”。

论文里设计了一个特殊的**“调节信号”**（就像油门和刹手的微调），用来决定什么时候该为了安全牺牲性能，以及牺牲多少。

第二步：稳健的“驾驶技术”（Prescribed Performance Control）

有了这条动态车道，怎么让车稳稳地开在里面呢？

作者使用了一种**“无模型”（Model-free）**的驾驶技术。
通俗解释： 传统的驾驶技术需要极其精确地知道车的重量、摩擦力、发动机功率等所有参数（就像需要知道车的每一个零件细节）。但现实中的车（机器人）往往参数不准，或者路面有风阻、颠簸（干扰）。
这篇论文的方法就像一位**“老司机”**，他不需要知道车的具体参数，也不需要计算复杂的物理公式。他只需要看着车在“车道”里的位置，如果车快撞线了，就轻轻打方向盘；如果车在中间，就保持平稳。
这种方法计算量小（低复杂度），而且非常皮实（鲁棒），不管车是轻是重，不管路面多滑，都能保证车不出车道。

3. 实验验证：机器人在盒子里追球

为了证明这个方法有效，作者做了一个模拟实验：

场景： 一个移动机器人（像个小车）在一个方形的安全盒子里（硬约束）。
任务： 它要追逐一个移动的球（软约束/性能目标）。
挑战： 有时候球会跑到盒子边缘，甚至看起来要跑到盒子外面去。
结果：
- 当球在盒子中间时，机器人紧紧跟着球，误差很小（满足软约束）。
- 当球跑到盒子边缘，机器人发现再跟就要撞墙了，它立刻停止靠近，贴着墙走，确保不撞墙（满足硬约束）。
- 一旦球往回走，机器人又立刻追上去。
- 整个过程非常平滑，没有急刹车，也没有撞墙。

4. 总结：这篇论文到底牛在哪里？

用一句话概括：它让机器人学会了“识时务”。

以前： 要么死守规则撞墙，要么为了性能不顾安全。
现在： 它知道**“安全是 1，性能是后面的 0"**。
- 只要安全没问题，它就拼命追求完美（软约束）。
- 一旦安全受威胁，它就立刻放弃完美，优先保命（硬约束）。
- 而且，它不需要知道机器人的所有内部参数，算起来也快，非常适合用在真实的机器人、机械臂或无人机上。

这就好比一个真正聪明的司机：平时开得又快又稳，遇到突发状况能瞬间做出最安全的反应，而不是死板地执行导航指令。

Each language version is independently generated for its own context, not a direct translation.

这是一份关于论文《Funnel Control Under Hard and Soft Output Constraints (extended version)》（硬性和软性输出约束下的漏斗控制，扩展版）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
在非线性系统（如机器人、机械臂）的控制中，约束无处不在，主要分为两类：

硬性约束 (Hard Constraints)： 涉及安全性的限制（如物理边界、避障），必须始终满足，违反会导致系统损坏或危险。
软性约束 (Soft Constraints)： 涉及性能指标的限制（如跟踪精度、收敛速度），通常希望满足，但在与硬性约束冲突时可被暂时牺牲。

现有挑战：

传统的漏斗控制 (Funnel Control, FC) 和预设性能控制 (Prescribed Performance Control, PPC) 主要关注性能约束，通常假设安全约束与性能约束是兼容的。
当硬性约束（安全）与软性约束（性能）发生冲突时（例如，为了避障必须偏离理想的跟踪轨迹），现有方法难以在保证安全的前提下，智能地处理性能约束的暂时违反与恢复。
基于控制障碍函数 (CBF) 的方法虽然能处理硬约束，但通常依赖于精确的系统动力学模型，且计算复杂（需要在线求解二次规划 QP）。

核心问题：
如何为不确定非线性欧拉 - 拉格朗日 (Euler-Lagrangian, EL) 系统设计一种控制方案，能够：

始终满足时变的硬性输出约束（安全性）。
在硬性约束允许的情况下满足软性输出约束（性能）。
当两者冲突时，优先保证硬性约束，并在冲突解除后快速恢复软性约束。
无需精确的系统模型（模型无关/Model-free），且计算复杂度低。

2. 方法论 (Methodology)

本文提出了一种基于漏斗的控制方案，包含两个主要部分：在线约束一致漏斗规划 (Online Constraint Consistent Funnel Planning) 和 基于预设性能的低复杂度鲁棒控制器设计。

A. 在线约束一致漏斗规划 (Online CCF Planning)

为了处理硬/软约束的冲突，作者设计了一种在线生成“约束一致漏斗” (Constraint Consistent Funnel, CCF) 的机制。

定义边界函数：
- 硬约束： $\rho^h_i(t) < x_i(t) < \bar{\rho}^h_i(t)$
- 软约束： $\rho^s_i(t) < x_i(t) < \bar{\rho}^s_i(t)$
动态调整机制：
- 当硬/软约束兼容时，CCF 的边界直接取两者的交集。
- 当发生冲突（例如软约束的上界低于硬约束的下界）时，引入修正信号 $\phi^L_i(t)$ 和 $\phi^U_i(t)$ 来动态调整漏斗边界。
- 修正信号由微分方程驱动：
  - 当检测到冲突（硬软约束距离小于阈值 $\mu$ ）时，修正信号激活，扩大漏斗边界以牺牲软约束为代价，确保输出始终在硬约束范围内。
  - 当冲突解除（距离大于 $\mu$ ）时，修正信号指数衰减至零，漏斗边界指数级恢复至软约束设定的性能范围。
连续性保证：
- 通过平滑切换机制（如使用 $\tanh$ 函数代替符号函数 $\text{sign}$ ，以及平滑的 $\max/\min$ 近似），确保生成的漏斗边界函数 $\rho^L_i(t)$ 和 $\rho^U_i(t)$ 是连续的，从而保证控制输入的连续性。

B. 基于预设性能 (PPC) 的鲁棒控制器设计

在生成在线 CCF 后，利用 PPC 方法设计控制器，确保系统输出始终保持在 CCF 内部。

状态变换：
- 将物理输出 $x_i(t)$ 和速度误差 $e_{v,i}(t)$ 归一化到 $(-1, 1)$ 区间内。
- 利用双射非线性映射函数 $T(\cdot) = \ln(\frac{1+\hat{x}}{1-\hat{x}})$ 将受限空间映射到无约束空间。
控制器结构：
- 采用两层控制设计：速度级参考信号生成和加速度级控制输入。
- 控制律形式为： $u = -k_v \xi_v \varepsilon_v$ 。
- 关键特性： 该控制器是模型无关 (Model-free) 的，不需要知道惯性矩阵 $M(x)$ 、科里奥利力 $C(x,v)$ 或重力 $g(x)$ 的具体形式，仅需知道其有界性。
稳定性证明：
- 通过李雅普诺夫 (Lyapunov) 稳定性分析，证明了闭环系统所有信号有界，且归一化状态始终保持在 $(-1, 1)$ 内，从而保证了输出始终满足在线规划的 CCF 约束。

3. 主要贡献 (Key Contributions)

首次提出硬/软约束下的漏斗控制框架： 填补了现有漏斗控制方法在处理冲突的硬/软约束方面的空白。
在线约束一致漏斗 (CCF) 规划算法： 提出了一种新颖的在线规划方案，能够动态生成既满足安全性（硬约束）又尽可能满足性能（软约束）的连续漏斗边界。该算法在冲突发生时自动放宽性能要求，在冲突解除后快速恢复性能。
模型无关的低复杂度控制律： 针对不确定非线性 EL 系统，设计了一种无需系统动力学模型、无需在线优化（Optimization-free）的鲁棒控制器。相比基于 CBF 的 QP 方法，计算负担更小，更适合实时应用。
理论保证： 严格证明了在存在外部扰动和模型不确定性的情况下，系统输出始终满足硬约束，并在兼容时满足软约束，且所有闭环信号有界。

4. 仿真结果 (Results)

论文通过一个移动机器人跟踪移动物体的仿真案例验证了方法的有效性：

场景设置：
- 硬约束： 机器人必须始终停留在一个矩形安全区域内（Box-constrained safe space）。
- 软约束： 机器人需要跟踪一个移动的参考轨迹，且跟踪误差需满足预设的衰减性能函数。
- 冲突场景： 移动物体的轨迹部分超出了安全区域，导致跟踪性能要求与安全约束发生冲突。
实验现象：
- 当参考轨迹在安全区域内时，机器人精确跟踪，满足软约束。
- 当参考轨迹超出安全区域时，机器人自动调整轨迹，严格遵守硬约束边界，此时软约束（跟踪精度）被暂时违反。
- 一旦参考轨迹回到安全区域，机器人迅速恢复跟踪，软约束被指数级恢复。
- 参数影响： 调节参数 $k_c$ 可以控制软约束恢复的速度和保守程度。较小的 $k_c$ 导致恢复较慢且更保守，较大的 $k_c$ 则恢复更快。
结论： 仿真结果证实了该方法能有效处理时变硬/软约束的冲突，并在保证安全的前提下优化性能。

5. 意义与价值 (Significance)

理论创新： 解决了非线性控制中安全与性能权衡的难题，提供了一种无需精确模型且计算高效的解决方案。
实际应用潜力： 特别适用于对安全性要求极高且环境动态变化的场景，如：
- 自主机器人在动态障碍物环境中的导航。
- 无人机在禁飞区边缘的飞行控制。
- 机械臂在受限空间内的精密操作。
对比优势： 相比于基于优化（QP）的 CBF 方法，本文提出的方法避免了在线求解优化问题的计算延迟和可行性问题，更适合高动态、实时性要求高的系统。相比于传统漏斗控制，它增加了对安全约束的严格保证机制。

综上所述，该论文提出了一种鲁棒、低复杂度且理论完备的控制框架，成功实现了在不确定环境下对移动机器人等 EL 系统的硬/软约束协同控制。