⚡ electrical engineering

Hybrid Lyapunov and Barrier Function-Based Control with Stabilization Guarantees

该论文提出了一种混合控制李雅普诺夫函数与障碍函数的控制框架，通过递归反步法扩展至高阶系统，有效解决了传统方法中因引入额外平衡点而导致的死锁问题，并确保了系统的全局渐近稳定性与安全性的统一。

原作者： Hugo Matias, Daniel Silvestre

发布于 2026-03-18

📖 1 分钟阅读☕ 轻松阅读

原作者： Hugo Matias, Daniel Silvestre

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

这篇文章提出了一种让机器人或自动驾驶汽车既安全又能到达目的地的新控制方法。为了让你更容易理解，我们可以把这个问题想象成**“在一个充满障碍物的迷宫里，如何既不被墙撞死，又能顺利走到终点”**。

1. 以前的困境：死胡同（Deadlock）

想象你正在玩一个迷宫游戏，手里拿着一个指南针（代表控制李雅普诺夫函数 CLF），它一直指着终点，催促你往前走。同时，你还有一个“防碰撞雷达”（代表控制障碍函数 CBF），它告诉你：“别靠近那面墙，否则你会死！”

以前的做法（标准 CLF-CBF）： 当指南针让你往墙的方向走，而雷达让你远离墙时，系统会试图找一个“折中方案”。
问题所在： 有时候，这个折中方案会把你卡在墙边。就像你被夹在“想往前走”和“不能撞墙”的中间，进退两难。你停在了墙边，既没撞墙，也没走到终点。这就叫**“死锁”（Deadlock）**。
- 比喻： 就像你被两个强力磁铁夹在中间，一个拉你向左，一个拉你向右，结果你僵在半空中，哪儿也去不了。

2. 这篇论文的新招：智能“换道”策略

作者提出了一种混合控制策略，就像给机器人装上了一个**“智能导航员”，它不再死板地折中，而是懂得“灵活变通”**。

核心概念：多面体迷宫与接力赛

作者把危险的区域（比如一堆乱石）想象成一个多面体（像骰子或钻石那样的形状）。这个多面体由很多个平坦的“面”（半空间）组成。

以前的做法： 试图用一个大圆球把所有乱石包起来（太保守，路变窄了），或者试图一次解决所有问题（容易卡死）。
新做法（混合策略）：
1. 分而治之： 机器人不是一次性盯着终点看，而是盯着当前最安全的那个“面”。
2. 设定临时目标： 机器人会先设定一个**“临时落脚点”**，这个点位于当前安全面的边缘，但离墙还有一点点距离（就像在悬崖边设个安全桩）。
3. 冲刺与切换： 机器人全速冲向这个“临时落脚点”。一旦它快要到达这个点，并且发现下一个“面”更安全、更靠近终点，它就会瞬间切换策略：
  - 把当前的“安全面”换掉。
  - 把“临时落脚点”更新为下一个面的新目标。
4. 接力前进： 就像接力赛一样，机器人通过一次次切换目标，沿着多面体的边缘“跳”着走，最终绕过障碍物，到达真正的终点。

关键比喻：过河的石头

想象你要过河，河里有几块大石头（障碍物）。

旧方法： 试图直接跳过去，或者在石头旁边犹豫不决，结果卡在石头边上下水。
新方法： 你的策略是：“我先跳到第一块石头上（临时目标），站稳后，立刻把注意力转移到第二块石头（切换安全面），再跳过去。”通过这种**“跳一步，换目标”**的机制，你永远不会卡在石头边，而是能灵活地绕过所有障碍。

3. 为什么这个方法更厉害？

不会死机： 无论障碍物形状多奇怪（只要是个凸多边形），这个方法都能保证机器人最终能走到终点，不会卡在墙边。
更灵活： 以前的方法为了安全，可能会把路绕得非常远（太保守）。这个方法允许机器人紧贴着障碍物的边缘走，路径更短、更自然。
适用性广：
- 简单系统： 像无人机、小车（一阶系统）。
- 复杂系统： 像机械臂、双足机器人（高阶系统）。作者用了一种叫“反步法”（Backstepping）的技术，就像搭积木一样，把简单的控制方法一层层叠加到复杂的系统上，依然有效。
- 特殊车辆： 甚至像独轮车（Unicycle）这种不能直接横着走的车辆，通过简单的坐标变换，也能用这套方法控制。

4. 总结

这篇论文的核心思想就是：不要试图用一种僵硬的规则解决所有问题，而是把长距离的避障任务分解成一个个短距离的“安全冲刺”任务。

通过不断地**“设定临时目标 -> 冲刺 -> 切换目标”**，机器人就像玩“跳房子”游戏一样，既能避开所有危险，又能稳稳地到达终点。这就解决了以前控制理论中那个让人头疼的“死锁”问题，让自动驾驶和机器人技术在实际应用中更加可靠和安全。

这是一份关于论文《Hybrid Lyapunov and Barrier Function-Based Control with Stabilization Guarantees》（基于混合李雅普诺夫和障碍函数的控制及其稳定性保证）的详细技术总结。

1. 研究背景与问题陈述 (Problem Statement)

核心问题：
在非线性控制系统中，结合控制李雅普诺夫函数（CLF）和控制障碍函数（CBF）是同时实现性能（如渐近稳定）和安全（如避障）目标的常用方法，通常通过二次规划（QP）来实现。然而，标准的 CLF-CBF-QP 框架存在一个显著缺陷：

死锁（Deadlock）现象： 为了保持 QP 的可行性，该方法通常会放宽稳定性约束（引入松弛变量），这会导致在安全集边界产生非预期的渐近稳定平衡点。
任务失败： 即使对于简单的系统和凸的不安全集，系统也可能被“困”在这些边界平衡点上，无法到达目标点，导致任务无法完成。

现有方法的局限性：

势场法/导航函数： 存在局部极小值，难以处理复杂约束。
模型预测控制（MPC）： 虽然能处理死锁，但计算负担重，且对于非凸集（如多面体障碍物）涉及混合整数规划，难以满足实时性要求。
现有混合 CBF 方法： 部分工作（如文献 [50]）虽然提出了混合策略，但通常仅针对特定的多面体形状或特定的目标点配置有效，缺乏通用性和灵活性。

本文目标：
设计一种混合 CLF-CBF 控制策略，能够确保在任意有界凸多面体不安全集（Polytopic Unsafe Set）内，系统实现全局渐近稳定且安全，彻底消除死锁问题，同时保持计算效率。

2. 方法论 (Methodology)

本文提出了一种基于多面体避障域的混合反馈控制框架，主要包含以下核心组件：

A. 系统建模与安全集定义

系统类型： 首先针对一阶仿射非线性系统（ $\dot{x} = f(x) + G(x)u$ ），随后通过反步法（Backstepping）扩展至高阶严格反馈系统。
安全集构建： 使用一个包围不安全集 $O$ 的有界凸多面体 $P$ 。安全集 $C$ 定义为 $P$ 的补集的闭包，即由多个半空间（Half-spaces）的并集组成：
$C = \{x \in \mathbb{R}^n : h_1(x) \ge 0 \lor \dots \lor h_Q(x) \ge 0\}$
其中每个 $h_q(x)$ 代表一个安全半空间。

B. 混合控制架构

控制策略被建模为一个辅助混合系统，包含连续流（Flow）和离散跳变（Jump）：

子问题控制器 ( $k_\xi$ )：
- 在混合模式 $\xi = (\hat{x}, q)$ 下（ $\hat{x}$ 为当前目标点， $q$ 为当前激活的安全半空间索引），设计一个局部 Lipschitz 连续控制器。
- 该控制器利用兼容的 CLF 和 CBF 约束，确保在当前激活的半空间内，系统能渐近稳定到 $\hat{x}$ ，同时保持该半空间的前向不变性。
- 兼容性关键： 通过选择适当的 CLF 和 CBF 参数（如 $\bar{\alpha} \ge \bar{\gamma}$ ），确保在临界点（梯度对齐时）约束集非空，从而避免 QP 不可行或产生死锁。
切换逻辑 (Switching Logic)：
- 参考方向： 定义一个指向目标点 $\bar{x}$ 的参考法向量 $v$ 。
- 协同间隙 (Synergy Gap)： 引入参数 $\mu$ 和滞后宽度 $\sigma$ 。当系统接近当前目标 $\hat{x}$ 且满足特定几何条件（ $h_{\hat{q}}(x) - h_q(x) \ge \sigma$ ）时触发跳变。
- 目标点更新： 跳变发生时，不仅更新激活的半空间 $q$ $q$ ，还根据几何关系重新计算下一个中间目标点 $\hat{x}^+$ $\overset{x}{^}^{+}$ 。
  - 如果下一个半空间包含最终目标 $\bar{x}$ ，则直接设 $\hat{x}^+ = \bar{x}$ 。
  - 否则，计算当前状态与 $\bar{x}$ 连线与新半空间边界的交点，并沿切向移动以满足协同间隙条件，生成新的中间目标点。
- 死锁消除机制： 通过确保每次跳变后，激活半空间的法向量与参考方向的对齐度增加（ $v^\top n_{q^+} > v^\top n_q$ ），保证每个半空间最多被激活一次，从而避免极限环和死锁，最终收敛到 $\bar{x}$ 。

C. 高阶系统扩展 (Backstepping)

对于高阶严格反馈系统，采用联合 CLF-CBF 反步法。
从顶层子系统开始构建兼容的 CLF 和 CBF，然后递归地向下层扩展。
利用高斯加权质心（Gaussian-weighted centroids）构造平滑的虚拟控制律，以满足反步法对控制器光滑性的要求，最终生成满足输入约束的优化控制器。

3. 主要贡献 (Key Contributions)

全局渐近稳定性的理论保证： 证明了所提出的混合策略在任意有界凸多面体避障域内，能够消除标准 CLF-CBF-QP 框架中的死锁问题，确保系统从安全集内的任意初始状态出发，最终收敛到目标点。
灵活的系统化设计方法： 与现有混合方法相比，该方法不依赖于特定的多面体形状或目标点位置。只要不安全集能被凸多面体包围，该方法即可适用。
兼容约束的构造： 提出了一种系统化的方法来设计兼容的 CLF 和 CBF 约束，解决了在临界几何配置下约束冲突的问题。
高阶系统扩展： 成功将混合控制策略通过反步法推广至高阶严格反馈系统，并处理了输入约束问题。
计算效率： 相比于 MPC，该方法基于 QP 和解析解，计算量小，适合实时安全关键应用。

4. 仿真结果 (Simulation Results)

论文通过多个仿真案例验证了方法的有效性：

一阶系统（积分器）： 在二维空间中，针对五边形、正方形和三角形等多面体障碍物，系统成功避障并到达目标点。对比显示，传统连续控制方法在对称场景下会陷入死锁，而本文方法能顺利切换路径。
与文献 [50] 的对比： 在相同的多面体设置下，文献 [50] 的方法在某些目标点配置下会失败（产生死锁），而本文方法在所有测试案例中均成功。本文方法通过动态更新中间目标点，避免了不必要的曲线运动。
二阶系统（双积分器）： 应用反步法后，轨迹更加平滑，消除了尖角，验证了高阶扩展的有效性。
非完整系统（单轮车模型）： 通过坐标变换（控制前方一点），将非完整约束系统转化为满足假设的一阶系统，成功实现了避障和稳定控制。

5. 意义与结论 (Significance and Conclusion)

学术意义：
本文解决了 CLF-CBF 框架中长期存在的“死锁”难题，提供了一种理论上严谨且工程上可行的混合控制方案。它证明了通过引入混合逻辑和动态目标点更新，可以在不牺牲安全性的前提下实现全局稳定性。

应用价值：

实时性： 该方法计算效率高，适用于自动驾驶、机器人避障等对实时性要求高的场景。
通用性： 能够处理任意凸多面体障碍物，无需针对特定障碍物形状重新设计控制器。
安全性： 提供了形式化的安全保证（前向不变性）和稳定性保证。

未来方向：
研究可扩展至非凸不安全集（由多个多面体组成）、时变不安全集，以及在实际车辆平台上的实验验证。

总结：
这篇论文提出了一种创新的混合控制框架，通过结合 CLF 和 CBF 的几何特性与混合系统的切换逻辑，成功克服了传统方法中的死锁限制，为复杂环境下的安全导航和稳定控制提供了一套通用且高效的解决方案。