⚡ electrical engineering

Using Dynamic Safety Margins as Control Barrier Functions

本文提出了一种利用参考调节器（Reference Governor）中的动态安全裕度（DSM）来设计控制屏障函数（CBF）的方法，该方法能够处理任意状态与输入约束，且对相对阶具有鲁棒性，在保证安全性和可行性的同时优于现有的基于 DSM 的方法。

原作者： Victor Freire, Marco M. Nicotra

发布于 2026-04-28

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Victor Freire, Marco M. Nicotra

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇文章介绍了一种让机器人在复杂环境下“既能跑得快，又绝对安全”的新技术。我们可以把这个复杂的控制理论比作**“给赛车手配备一套智能安全护栏系统”**。

以下是通俗易懂的解释：

1. 背景：现在的“安全系统”有什么问题？

想象你在开一辆超级赛车。为了防止撞墙（状态约束）或引擎过热（输入约束），你通常有两种办法：

办法 A（传统的“候选”护栏）： 你在赛道边装了一圈护栏。但问题是，这些护栏是死板的。如果你开得太快，或者弯道太急，你会发现护栏根本挡不住你，或者当你试图撞向护栏时，方向盘突然“锁死”了（数学上叫“优化问题不可解”），导致你彻底失控。
办法 B（“参考调节器”）： 这就像一个副驾驶，他看到前面有弯道，就提前大喊：“慢点！慢点！”虽然安全，但由于他反应比较迟钝，车速会变得非常慢，像老头乐一样，完全发挥不出赛车的性能。

2. 这篇论文的核心发明：动态安全边际 (DSM) 作为“智能护栏”

作者提出了一种全新的方法，把这两种办法结合了起来。他们发明了一种叫 DSM（动态安全边际） 的工具，并把它变成了一种**“智能控制障碍函数 (CBF)”**。

我们可以用“影子护栏”来做比喻：

想象你的赛车前方有一道**“隐形的影子护栏”。这道护栏不是固定在墙上的，而是跟着你的车速和驾驶状态在动态移动**。

它很聪明： 它不仅知道墙在哪里，还知道你的车现在有多快、刹车有多灵。
它会预判： 如果它发现你现在的速度和角度会导致你在 3 秒后撞墙，它就会在你的方向盘上施加一个微小的、渐进的力，把你轻轻地往安全方向拨一点点。
它不影响性能： 在赛道平直、安全的时候，这道“影子护栏”几乎不存在，你可以尽情踩油门；只有当你接近危险边缘时，它才会精准地介入。

3. 技术上的“黑科技”：把“目标”和“状态”捆绑

论文里有一个很聪明的数学技巧：他们不只是盯着“车在哪里”（状态），还盯着“车想去哪里”（虚拟参考值）。

比喻： 就像你在玩一个自动驾驶游戏，系统不仅监控你的位置，还监控你的**“导航意图”**。如果你的导航意图是“冲向悬崖”，系统会立刻发现这个“意图”是不安全的，从而在还没出发前就修正你的导航路线。这种“把意图也纳入安全检查”的做法，让系统变得极其稳健，永远不会出现“方向盘锁死”的情况。

4. 实验结果：它到底有多厉害？

作者在两个经典的复杂系统（“蚁穴”系统和“吊车”系统）上做了测试：

比传统方法更稳： 传统的护栏在极端情况下会失效，但这个“影子护栏”能保证系统永远在安全范围内，不会崩溃。
比老办法更快： 相比于那种只会喊“慢点”的笨办法（ERG），这个新方法能让机器人在保证安全的前提下，尽可能地贴近预定的目标，动作更丝滑、更高效。
计算负担适中： 虽然它比简单的办法复杂一点，但它不需要像某些高级算法那样进行大规模的“未来轨迹预测”，所以反应速度非常快，适合实时的机器控制。

总结

一句话总结：
这篇论文发明了一种**“会思考、会预判”的智能护栏**。它通过数学手段，把“安全边界”和“驾驶意图”完美结合，让机器人在面对复杂的限制条件时，既能像专业赛车手一样追求极限性能，又能像老司机一样永远不出事故。

这是一篇关于控制理论中**控制障碍函数（Control Barrier Functions, CBFs）与参考调节器（Reference Governor, RG）**结合的前沿研究论文。以下是对该论文的详细技术总结：

1. 研究问题 (Problem Statement)

在安全关键型系统中，设计既能保证系统状态和输入约束（Safety and Input Constraints），又能实现良好性能的控制律至关重要。

现有CBF方法的局限性： 虽然CBF是实现约束控制的流行工具，但目前缺乏一种系统性的方法来为具有任意状态和输入约束的一般系统合成有效的CBF。
可行性问题： 实践中常用的“候选CBF”（Candidate CBFs）往往无法提供完整的安全保证。如果原始状态约束集不是控制不变的（Control Invariant），使用候选CBF会导致基于优化的控制程序（QP问题）出现**不可行（Infeasibility）**的情况，这在安全关键系统中是不可接受的。
核心挑战： 如何系统性地构造出既能保证安全，又能确保优化问题始终有解（持久可行性）的有效CBF。

2. 研究方法 (Methodology)

作者提出了一种创新的思路：将动态安全裕度（Dynamic Safety Margins, DSMs）作为增广系统的控制障碍函数（CBFs）。

增广系统构建： 不同于传统的直接对状态 $x$ 设计CBF，作者将系统状态 $x$ 与一个虚拟参考信号 $v$ 进行拼接，构建了一个增广系统 $\begin{bmatrix} \dot{x} \\ \dot{v} \end{bmatrix}$ 。
DSM与CBF的联系： 论文证明了在参考调节器框架下的动态安全裕度（DSM）实际上就是该增广系统的CBF。这意味着，通过调节参考信号 $v$ 来保证安全，等同于在增广空间内应用CBF理论。
基于Lyapunov函数的DSM构造： 论文详细阐述了如何利用预稳定控制器（Prestabilizing Controller）的Lyapunov函数来构造DSM。通过计算安全阈值（ $\Gamma^*$ ）和稳定性阈值（ $\Gamma$ ），可以系统地生成满足约束的DSM函数。
优化控制策略： 设计了一个基于二次规划（QP）的控制策略，通过最小化标称控制输入与安全输入之间的偏差，在保证安全的同时尽可能逼近性能目标。

3. 主要贡献 (Key Contributions)

理论突破： 证明了DSM是增广系统（状态+参考）的CBF，且该构造方法与约束的相对阶（Relative Degree）无关。
持久可行性保证： 证明了在增广状态-参考空间中制定的CBF安全滤波器是**持久可行（Persistently Feasible）**的，解决了传统CBF在边界处可能失效的问题。
系统化构造方法： 提供了一种基于Lyapunov函数的系统化设计流程，将寻找CBF的问题转化为了寻找Lyapunov函数的问题，利用了现有的成熟工具。
向量值CBF推广： 利用控制共享（Control-sharing）性质，将传统的标量值CBF推广到了处理多个约束的向量值CBF。

4. 实验结果 (Results)

作者通过两个非线性系统进行了数值仿真对比：蚁穴系统（Anthill System）和吊车系统（Overhead Crane）。对比对象包括：显式参考调节器（ERG）、候选CBF、备份CBF（Backup CBF）以及标称控制。

性能表现： 提出的 DSM-CBF 方法在性能上显著优于传统的ERG（ERG响应较慢），同时在计算效率上优于备份CBF（备份CBF需要进行轨迹预测，计算开销极大）。
安全性与鲁棒性： 相比于候选CBF（在约束边缘容易出现不可行导致失效），DSM-CBF能够严格保证安全，并能处理输入饱和带来的隐性状态约束。
计算效率： 实验表明，当输入约束为多面体时，该方法可以转化为高效的二次规划（QP）问题，具有较好的实时实现潜力。

5. 研究意义 (Significance)

该研究在控制理论领域具有重要意义：

弥合了两个领域的鸿沟： 它成功地将“参考调节器”领域的成熟工具（DSM）与“控制障碍函数”领域的现代优化方法结合起来。
提高了安全性保障的可靠性： 通过在增广空间内设计，解决了复杂约束下CBF优化程序不可行的问题，为工业级安全控制系统的设计提供了一种更稳健、更系统的方法。
实用性强： 该方法不仅理论完备，而且通过转化为QP问题，使其在处理复杂非线性系统时具有很高的计算可行性和工程应用价值。