⚡ electrical engineering

Safety-Critical Control via Recurrent Tracking Functions

本文针对高阶非线性系统难以构造控制障碍函数（CBF）的问题，提出了一种结合降阶模型 CBF 与新型“循环跟踪函数”（RTF）的安全关键控制方法，通过放宽跟踪误差的单调衰减要求并引入有限时间循环条件，在允许瞬态偏差的同时为全阶系统提供了严格的安全保障。

原作者： Jixian Liu, Enrique Mallada

发布于 2026-04-06

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Jixian Liu, Enrique Mallada

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

这篇论文解决了一个让自动驾驶、机器人和无人机变得既聪明又安全的难题。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成"一位经验丰富的老教练带着一位新手司机开车"的故事。

1. 核心难题：太复杂，算不过来

想象一下，你要控制一辆拥有成千上万个零件的超级跑车（这就是论文里的高阶非线性系统，比如复杂的机器人或无人机）。

传统方法：以前的安全系统（叫 CBF，控制障碍函数）要求你必须为这辆跑车设计一个完美的“安全地图”。但这太难了！因为车太复杂，计算量大到计算机根本算不过来，或者根本算不出来的。
分层控制（Layered Control）：为了解决这个问题，工程师们想出了一个好办法：分层。
- 上层（简化模型，RoM）：就像老教练，只关心大方向：“别撞墙，保持在这个安全区域里”。他不需要知道引擎怎么转，只需要看车的大致位置。
- 下层（完整模型，FoM）：就像新手司机，负责实际操作方向盘、油门和刹车，处理所有复杂的物理细节。

问题出在哪？
老教练（上层）给出了一个安全指令，新手司机（下层）必须完美地执行。以前的理论要求新手司机必须每时每刻都完美地跟随老教练，误差必须一直在减小（单调递减）。
但在现实中，新手司机可能会因为路面颠簸、反应慢半拍，导致车子暂时偏离了老教练的路线。如果要求“必须一直完美跟随”，那很多复杂的机器人（比如单腿跳的机器人）就根本没法设计安全系统了，因为它们做不到“一直完美”。

2. 创新方案：允许“暂时走神”，只要“记得回来”

这篇论文提出了一个全新的概念：循环跟踪函数（Recurrent Tracking Functions, RTFs）。

用个比喻：

旧规则（单调递减）：就像要求你跑步时，离终点的距离必须每一秒都比上一秒短。如果你稍微喘口气慢了一点，就算失败。
新规则（RTF，循环）：就像老教练告诉新手：“你不需要每一秒都跑得比上一秒快。你可以偶尔停下来系鞋带，甚至偶尔跑错一点点方向（暂时偏离），但是，你必须在规定的时间（比如 1 秒内）把状态拉回来，并且总体趋势是越来越靠近目标的。”

这就是“循环”的意思：允许误差像波浪一样上下起伏，只要它能在一个固定的时间窗口内“循环”回来，并且最终收敛，就是安全的。

3. 他们是怎么做到的？（安全如何保证）

论文设计了一套新的“安全保险”：

简化模型的安全：老教练（简化模型）先画出一个绝对安全的区域（比如离障碍物至少 1 米）。
新式保险单（RCBF）：他们把“老教练的安全区域”和“新手的循环能力”结合在了一起，发明了一种新的安全证书，叫循环控制障碍函数（RCBF）。
核心逻辑：
- 只要新手司机（下层系统）的“走神”程度（误差）在老教练能容忍的范围内，并且能在短时间内（比如 $\tau$ 时间）修正回来。
- 那么，即使车子暂时看起来有点危险（偏离了理想路线），它实际上永远不会真正撞上去。
- 关键点：只要修正错误的速度（ $\beta$ ）比车子撞向危险的速度（ $\alpha$ ）快，车子就永远是安全的。

4. 实验结果：真的管用吗？

作者做了一个简单的实验：让一个像小车一样的机器人在有障碍物的房间里移动。

结果：他们发现，如果允许车子“暂时走神”但要求它“快速回来”，车子不仅能避开障碍物，还能走得更灵活。
对比：如果死守“必须时刻完美”的旧规则，车子要么动不了，要么稍微有点干扰就撞墙了。而用了新规则，车子即使在有干扰的情况下，也能稳稳地到达目的地。

总结

这篇论文就像给复杂的机器人系统松了一根绑得太紧的绳子。

以前：必须像机器人一样精准，不能有一点偏差，导致很多复杂系统无法保证安全。
现在：允许像人一样有“小失误”和“波动”，只要能在短时间内自我修正，就能保证绝对安全。

这让未来的自动驾驶汽车、人形机器人和无人机，在面对真实世界中不可预测的干扰时，能变得更聪明、更灵活，同时也更安全。

这是一份关于论文《Safety-Critical Control via Recurrent Tracking Functions》（基于循环跟踪函数的安全关键控制）的详细技术总结。

1. 研究背景与问题 (Problem)

核心挑战：
在自主系统（如无人机、足式机器人、复杂电网）的安全关键控制中，控制障碍函数（Control Barrier Functions, CBFs）是保证系统满足安全约束的核心理论工具。然而，对于高阶非线性系统，直接构建有效的 CBF 在计算上往往是不可行的（intractable），且随着系统维度的增加，难度呈指数级上升。

现有方法的局限性：

分层控制（Layered Control）的瓶颈： 一种常见的替代方案是分层控制，即在一个降阶模型（RoM）上设计 CBF，并通过跟踪控制器调节全阶模型（FoM）。这种方法要求跟踪误差具有指数收敛性，通常需要构造一个单调递减的 Lyapunov 跟踪函数。
构造困难： 对于非完全驱动（underactuated）或复杂非线性系统，系统性地构造满足单调递减条件的 Lyapunov 跟踪函数极其困难，这限制了分层控制方法的实际部署。
保守性： 现有的鲁棒方法往往通过引入预测误差裕度来缓解模型失配，但这会导致过度保守，丢弃了有用的系统信息。

本文目标：
解决高阶非线性系统安全控制中 CBF 构建困难的问题，特别是放宽对跟踪函数必须“单调递减”的严格要求，提出一种新的框架，允许跟踪误差在短期内波动，同时仍能保证全阶系统的安全性。

2. 方法论 (Methodology)

本文提出了一种基于**循环（Recurrent）**概念的分层安全控制框架，主要包含以下核心组件：

A. 分层系统架构

全阶模型 (FoM)： 描述物理系统的真实高维动力学 $\dot{x} = F(x, u)$ 。
降阶模型 (RoM)： 捕捉与安全相关的关键状态（如质心运动、碰撞相关运动）的低维动力学 $\dot{z} = f(z, v)$ 。
连接机制： 通过投影映射 $\Pi$ 将 FoM 状态映射到 RoM，RoM 生成安全参考轨迹，底层控制器负责跟踪该参考。

B. 循环跟踪函数 (Recurrent Tracking Functions, RTFs)

这是本文的核心创新点。

传统限制： 传统方法要求跟踪误差的 Lyapunov 函数 $V$ 必须沿轨迹单调递减（ $\dot{V} \leq 0$ ）。
RTF 定义： 作者将单调递减条件放宽为有限时间循环条件。即不要求 $V$ $V$ 持续下降，而是要求 $V$ $V$ 在时间间隔不超过 $\tau$ $τ$ 的离散时间点上满足指数衰减条件。
- 数学表达： $\min_{t \in T_S(x_0; \tau)} e^{\beta t} V(z(t), \dot{e}(t)) \leq V(z_0, \dot{e}_0)$ 。
关键性质： 对于指数稳定的跟踪误差，任何范数（Norm） 都可以作为有效的 RTF。这极大地简化了跟踪函数的构造，无需显式求解复杂的微分不等式。

C. 循环控制障碍函数 (Recurrent CBFs, RCBFs)

构造： 将 RoM 上的 CBF ( $h$ ) 与 RTF ( $V$ ) 结合，构造一个新的函数 $h_V$ ：
$h_V(z, \dot{e}) = -V(z, \dot{e}) + \alpha_e h(z)$
其中 $\alpha_e$ 是与系统参数相关的常数。
安全集定义： 定义安全集 $S_V = \{(z, \dot{e}) \mid h_V(z, \dot{e}) \geq 0\}$ 。
循环不变性： 证明该集合 $S_V$ 是控制 $\tau$ -循环的（control $\tau$ -recurrent）。这意味着轨迹可以暂时离开 $S_V$ （即允许短暂的跟踪误差增大），但必须在时间 $\tau$ 内返回，且永远不会进入不安全区域。

D. 安全性保证机制

收敛速度条件： 要求跟踪误差的收敛速度 $\beta$ 必须大于 CBF 的安全边界接近速度 $\alpha$ （即 $\beta > \alpha$ ）。
物理意义： 只要跟踪误差修正得比系统接近危险边界的速度快，即使 $h_V$ 表现出循环行为（允许暂时偏离），实际的安全指标 $h(z(t))$ 也将始终保持非负，从而保证系统安全。
抗干扰扩展： 针对外部扰动和模型不确定性，文章进一步推导了**输入到状态安全（ISSf）**条件，通过扩大安全集来容纳有界的稳态误差。

3. 主要贡献 (Key Contributions)

RTF 框架的提出： 首次将 Lyapunov 跟踪条件从严格的单调递减 relax 为“有限时间循环”条件。证明了对于指数稳定的系统，任何范数都是有效的 RTF，从而为一般非线性系统提供了灵活的 RoM-FoM 链接方法。
理论安全证明： 建立了严格的理论框架，证明了如果初始状态位于构造的循环安全集 $S_V$ 内，且满足 RTF 条件，则全阶模型（FoM）在所有时间 $t \geq 0$ 内都是安全的。
数值验证： 通过二维双积分器（2D double-integrator）案例研究，展示了该方法在不同参数设置下的有效性。实验表明，只有当满足定理条件（即 CBF 有效且初始状态在 $S_V$ 内）时，系统才能保持安全；否则，系统可能进入不安全区域。

4. 实验结果 (Results)

案例设置： 使用 2D 平面运动模型，包含圆形障碍物。对比了不同 CBF 参数 $\alpha$ （0.5, 1.0, 5.0）下的系统行为。
关键发现：
- $\alpha = 0.5$ (安全)： 当 CBF 参数设置合理且初始状态在 $S_V$ 内时，系统轨迹始终保持在安全区域，障碍函数 $h(t)$ 始终非负。
- $\alpha = 1.0$ (不安全)： 初始状态超出了由 RTF 定义的安全集 $S_V$ ，导致系统轨迹穿过障碍物， $h(t)$ 变为负值。
- $\alpha = 5.0$ (无效 CBF)： 即使初始状态在几何安全区内，由于 CBF 约束过强导致 RoM 无解或动力学不匹配，系统同样不安全。
- 误差行为： 实验验证了跟踪误差 $\|\dot{e}\|$ 在满足条件时呈指数衰减，且在安全滤波器激活时，误差被限制在 ISS 边界内。

5. 意义与影响 (Significance)

突破计算瓶颈： 该方法解决了高阶非线性系统难以构造单调 Lyapunov 跟踪函数的难题，使得分层安全控制能够应用于更复杂的实际系统（如足式机器人、无人机）。
降低保守性： 通过允许瞬态偏差（transient deviations），相比传统的鲁棒 CBF 方法（通常使用固定的误差裕度），该方法能更有效地利用系统动态，减少不必要的保守性。
理论通用性： 证明了范数即可作为 RTF，极大地简化了控制器设计过程，使得基于数据的验证和未来的学习型方法（Learning-based approaches）成为可能。
实际应用潜力： 为在存在模型不确定性和外部干扰的情况下，设计既安全又高性能的控制器提供了新的理论工具，特别适用于对安全性要求极高的自主系统领域。

总结：
这篇论文通过引入“循环跟踪函数”这一概念，巧妙地平衡了安全控制的严格性与实际系统的复杂性。它不再强求误差的每一步都减小，而是关注误差在有限时间窗口内的整体收敛趋势，从而在理论上保证了高阶非线性系统的安全性，为复杂自主系统的部署开辟了新的路径。