Safety-Critical Control with Guaranteed Lipschitz Continuity via Filtered Control Barrier Functions

本文提出了一种结合输入正则化滤波器的滤波控制障碍函数（FCBF）框架，通过统一二次规划将高阶控制障碍函数（HOCBF）与滤波器相结合，在确保系统安全性的同时，为控制输入提供了严格的利普希茨连续性保证，从而有效避免了控制信号的突变并满足执行器限制。

要点

这篇论文解决了一个自动驾驶和机器人控制中的核心难题：如何让机器人在保证绝对安全的同时，动作既平滑又不会“发疯”地乱动。

我们可以把这篇论文的核心思想想象成给机器人装了一个“智能稳压器”和“安全教练”。

以下是用通俗语言和比喻进行的详细解读：

1. 背景：机器人面临的“两难困境”

想象你正在教一个机器人（比如一辆自动驾驶小车）在拥挤的房间里走路，房间里有一个大柱子（障碍物）。

• 目标 A（安全）： 机器人绝对不能撞到柱子。
• 目标 B（平滑）： 机器人的动作要像真人一样流畅，不能像机器人一样突然急转弯、急刹车，否则电机（执行器）会坏掉，或者乘客会晕车。

以前的方法（称为 HOCBF，高阶控制障碍函数）就像是一个严厉的安全教练。

• 它时刻盯着机器人，一旦检测到要撞柱子，它会立刻大喊：“向左转！向右转！”
• 问题在于： 这个教练太急了。为了避开障碍物，它给出的指令往往是瞬间的、剧烈的。比如上一秒指令是“向左转 10 度”，下一秒为了修正，指令突然变成“向右转 10 度”。
• 这种剧烈的跳动（学术上叫“不连续”或“非利普希茨连续”）会让机器人的电机磨损，甚至因为动作太猛而失控。虽然理论上它保证了安全，但实际用起来很“生硬”。

2. 核心创新：Filtered Control Barrier Functions (FCBF)

这篇论文提出了一种新方法，叫 FCBF（滤波控制障碍函数）。

比喻：给机器人加了一个“缓冲器”和“过滤器”

想象一下，以前的机器人是直接听教练（安全算法）的指令，教练喊什么它就做什么，哪怕教练喊得再急。
现在的 FCBF 方法，在教练和机器人之间加了一个**“智能缓冲员”（也就是论文里的辅助动态系统/滤波器**）。

• 工作流程：
  1. 安全教练（HOCBF） 依然负责计算“为了安全，理论上应该怎么做”。它给出的指令可能很剧烈。
  2. 智能缓冲员（滤波器） 接过这个指令。它的作用就像是一个低通滤波器（Low-pass Filter），或者像是一个老练的司机。
  3. 当教练喊“急转弯”时，缓冲员不会让机器人立刻执行。它会想：“太猛了，容易坏。我先慢慢转，再慢慢转，确保动作平滑。”
  4. 最终，机器人执行的是经过缓冲员“柔化”后的指令。

关键点： 这个缓冲员不仅让动作变平滑，还严格保证机器人不会撞到障碍物，也不会超出电机的能力范围。

3. 为什么“平滑”这么重要？（利普希茨连续性）

论文里提到了一个很专业的词：利普希茨连续性 (Lipschitz Continuity)。

• 通俗解释： 这不仅仅是说动作要“连续”（不能断断续续），而是说动作变化的“速度”是有上限的。
• 比喻：
  • 普通平滑： 就像开车，你可以加速，但速度不能瞬间从 0 跳到 100。
  • 利普希茨连续： 就像给汽车装了一个“油门限制器”。无论你怎么踩，油门的变化率（加速度）都被限制在一个安全范围内。
  • 以前的方法： 油门可能瞬间从 0 踩到底，再瞬间松开（虽然车没撞，但引擎会坏）。
  • FCBF 方法： 无论情况多紧急，油门的变化都是循序渐进的，既安全又不伤车。

4. 论文是怎么做到的？（数学上的“魔法”）

作者没有发明全新的数学理论，而是把现有的工具（HOCBF）和新的工具（滤波器）结合在了一起，放进一个**“万能计算器”（二次规划 QP）** 里。

• 以前的做法： 每次计算只考虑“怎么不撞”。
• 现在的做法（FCBF）： 每次计算时，同时考虑三件事：
  1. 绝对安全： 离障碍物多远？
  2. 电机限制： 力气够不够大？
  3. 平滑限制： 动作变化能不能太快？（这是通过那个“缓冲员”系统来保证的）。

这三件事被打包成一个数学问题，计算机算一下，就能给出一个既安全、又平滑、又符合物理限制的完美指令。

5. 实验结果：真的好用吗？

作者在“独轮车”（Unicycle，一种简单的机器人模型）上做了实验：

• 场景： 独轮车要绕过中间的圆形障碍物，到达终点。
• 对比组 1（旧方法）： 动作很生硬，有时候为了安全，指令会剧烈跳动，甚至导致计算失败（机器人卡住）。
• 对比组 2（加惩罚项）： 在计算里加了一个“惩罚”，试图让动作平滑点。但效果一般，有时候为了平滑就牺牲了安全性，或者算不出来。
• FCBF 组（新方法）：
  • 轨迹最平滑： 走出来的路线像画出来的弧线，非常自然。
  • 更灵活： 即使起始角度很刁钻，它也能算出可行的方案，不会卡死。
  • 更安全： 始终没有撞到障碍物，且电机动作温和。

总结

这篇论文就像是为自动驾驶机器人设计了一套**“温柔而坚定”的控制系统**。

• 以前： 为了安全，不惜一切代价猛打方向盘，容易把车弄坏。
• 现在（FCBF）： 依然保证绝对安全，但通过一个“智能缓冲器”，把那些剧烈的指令“揉碎”成平滑的动作。

一句话概括： 它让机器人在面对危险时，不再是惊慌失措地乱动，而是像一位经验丰富的老司机，稳稳当当、有节奏地避开障碍，既保住了命，也保住了车。

技术摘要

这是一份关于论文《Safety-Critical Control with Guaranteed Lipschitz Continuity via Filtered Control Barrier Functions》（基于滤波控制障碍函数的具有保证 Lipschitz 连续性的安全关键控制）的详细技术总结。

1. 研究背景与问题定义 (Problem)

背景：
在安全关键系统（如自动驾驶、机器人）中，控制输入不仅需要满足安全性约束（即系统状态保持在安全集内），还需要具备平滑性。现有的基于控制障碍函数（CBF）的框架，特别是高阶控制障碍函数（HOCBFs），能够有效处理高阶相对度的安全约束。然而，这些方法通常存在以下局限性：

• 平滑性不足： 虽然某些方法试图通过惩罚项或背步法（backstepping）提高控制输入的连续性（$C^1$），但这并不足以保证有界的输入变化率。
• Lipschitz 连续性缺失： 现有的 CBF 方法无法从理论上保证控制输入是 Lipschitz 连续的。Lipschitz 连续性不仅对于闭环动力学的适定性（well-posedness）和安全性证明至关重要，还能限制输入变化的速率，防止执行器出现突变（abrupt changes），从而避免执行器磨损或模型假设失效。
• 实际挑战： 在基于二次规划（QP）的离散时间实现中，控制输入往往在时间步之间发生跳变，导致理论上的 Lipschitz 连续性无法得到保证。

核心问题：
如何设计一种控制策略，在满足安全约束（Forward Invariance）和执行器限制的同时，从理论上保证控制输入具有 Lipschitz 连续性，从而消除输入的突变，同时保持计算效率（即保持为单个 QP 问题）。

2. 方法论 (Methodology)

本文提出了一种名为**滤波控制障碍函数（Filtered Control Barrier Functions, FCBFs）**的新框架。其核心思想是引入一个辅助动态系统作为“输入正则化滤波器”，将原始控制输入转化为经过滤波的 Lipschitz 连续输入。

主要步骤与机制：

1. 引入辅助动态系统（输入正则化滤波器）：

   • 构建一个辅助系统 $\dot{\pi} = F(\pi) + G(\pi)\nu$，其中 $\pi$ 包含滤波后的控制输入 $u_f$ 及其各阶导数。
   • 原始控制输入 $u$ 被替换为滤波输入 $u_f$。
   • 辅助输入 $\nu$ 成为新的决策变量。
   • 例如，使用一阶低通滤波器：$\dot{u}_f = \frac{1}{\tau}(\nu - u_f)$。

2. 构建 FCBF 约束：

   • 将原始的安全约束 $b(x) \ge 0$ 转化为关于滤波输入 $u_f$ 的约束。
   • 定义新的函数序列 $\psi_{i,f}$，基于辅助系统的动力学推导高阶导数。
   • 提出 FCBF 定义：确保在辅助系统状态下，安全集的前向不变性。这要求存在一个 Lipschitz 连续的辅助输入 $\nu$ 满足特定的不等式约束。

3. 保证输入界限与 Lipschitz 连续性：

   • 利用 HOCBF 理论，对滤波输入 $u_f$ 的上下界（$u_{min} \le u_f \le u_{max}$）构建额外的 HOCBF 约束。
   • 理论证明（Theorem 3）： 证明了如果初始条件满足特定集合，且存在满足约束的 $\nu$，则 $u_f$ 不仅满足输入界限，而且其时间导数有界，从而保证 $u_f$ 是 Lipschitz 连续的。

4. 统一优化框架（QP）：

   • 将 FCBF 约束（安全）、HOCBF 约束（输入界限）以及控制 Lyapunov 函数（CLF，用于稳定性/收敛性）整合到一个单一的二次规划（QP）问题中。
   • 目标函数最小化辅助输入 $\nu$ 的能量及状态收敛误差。
   • 该方法保持了 QP 的结构简单性和计算效率，适合实时应用。

3. 关键贡献 (Key Contributions)

1. 理论保证： 首次提出了一种框架，能够在 CBF 控制中严格保证控制输入的 Lipschitz 连续性。这解决了现有方法中平滑性无法保证有界变化率的问题。
2. FCBF 框架： 定义了滤波控制障碍函数，通过引入辅助动态系统（滤波器），在不修改原始安全约束的前提下，将 Lipschitz 连续性要求转化为优化问题中的约束。
3. 统一性与效率： 该方法将安全、输入限制和输入平滑性统一在一个 QP 框架内，避免了多阶段优化或复杂的非线性求解，保留了实时计算能力。
4. 通用性： 该框架适用于任何原本可以使用 HOCBF 的系统，易于集成到现有的控制架构中。

4. 实验结果 (Results)

论文通过单轮车（Unicycle）模型进行了仿真实验，对比了三种方法：

• HOCBF： 标准高阶控制障碍函数方法。
• sp-HOCBF： 在代价函数中加入平滑惩罚项（惩罚相邻时间步输入差）的 HOCBF。
• FCBF： 本文提出的滤波控制障碍函数方法。

主要发现：

• 安全性与可行性： 三种方法在大多数情况下都能保证安全。然而，当初始航向角较小导致系统需要快速转向时，sp-HOCBF 由于平滑惩罚项的约束，QP 变得不可行（Infeasible），导致控制失败。而 FCBF 和标准 HOCBF 始终保持可行。
• 平滑性：
  • FCBF 生成的控制输入（角速度和驱动力）最为平滑，消除了突变。
  • sp-HOCBF 虽然引入了平滑惩罚，但并未显著改善输入的平滑度，且牺牲了可行性。
  • HOCBF 的控制输入存在明显的突变和震荡。
• 参数敏感性： 实验表明，通过调整滤波器参数（如时间常数 $\tau$）和类 $\mathcal{K}$ 函数参数（$\alpha$），可以灵活调节控制输入的平滑程度和响应速度。较小的 $\alpha$ 和较大的 $\tau$ 倾向于产生更平滑的输入。

5. 意义与影响 (Significance)

• 理论突破： 填补了安全关键控制理论中关于“输入 Lipschitz 连续性”保证的空白。这对于依赖连续动力学假设的复杂系统（如存在噪声或柔性执行器的系统）至关重要。
• 工程实用性： 消除了控制输入的突变，直接降低了执行器的机械磨损，提高了系统的鲁棒性和寿命。
• 实时性： 证明了在严格保证理论性质（Lipschitz 连续性）的同时，仍能满足实时控制对计算效率的要求（单 QP 求解）。
• 未来方向： 为随机系统、基于学习的超参数自动整定以及在物理机器人平台上的部署奠定了理论基础。

总结：
这篇论文通过引入“滤波”概念，巧妙地将 Lipschitz 连续性这一强约束转化为可计算的 QP 约束，提出了一种既安全又平滑且理论完备的控制方法。相比于传统的平滑惩罚手段，FCBF 在保持可行性的同时，提供了更优的输入平滑性保证。