🔢 mathematics

Constricting Tubes for Prescribed-Time Safe Control

本文提出了一种针对输入受限控制仿射系统的收缩控制障碍函数框架，通过构建从初始状态平滑收缩至目标安全集的时变安全管，在确保控制输入有界的前提下实现了可验证的指定时间安全恢复。

原作者： Darshan Gadginmath, Ahmed Allibhoy, Fabio Pasqualetti

发布于 2026-03-19

📖 1 分钟阅读🧠 深度阅读

原作者： Darshan Gadginmath, Ahmed Allibhoy, Fabio Pasqualetti

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

这篇论文提出了一种让机器人或控制系统在严格规定的时间内安全到达目标的新方法。我们可以把它想象成是在玩一个“限时通关”的游戏，而且必须保证不撞墙、不失控。

为了让你更容易理解，我们用几个生活中的比喻来拆解这篇论文的核心思想：

1. 核心难题：既要快，又要稳，还要省力气

想象你正在开车去一个目的地（目标区域），但你的车现在离目的地很远，而且路上有很多限制：

时间死线（Prescribed-time）： 你必须在下午 5 点整准时到达，早了不行，晚了更不行。
动力限制（Input Constraints）： 你的油门踩到底也只能提供有限的加速力，不能无限加速。
安全要求（Safety）： 路上有障碍物，你不能撞上去。

以前的方法有两个主要问题：

太慢： 传统的“安全控制”只保证你最终能安全到达，但不知道要多久，可能永远在路上晃悠。
太猛： 一些“限时到达”的方法，为了赶时间，会在快到达时疯狂踩油门（控制力无限增大），这就像为了赶最后一分钟而把油门踩穿，不仅费油（控制力过大），还容易把车弄坏（超出物理限制）。

2. 新方案：会收缩的“安全隧道”

这篇论文的作者发明了一个叫**“收缩管”（Constricting Tube）**的框架。

想象一下这个场景：
你站在一个巨大的、松散的充气隧道入口，而你的目的地（安全区）在隧道的尽头。

开始时（t=0）： 这个隧道非常宽，大到足以把你现在的乱跑位置完全包进去。
过程中（0 < t < T）： 这个隧道开始慢慢变窄。它像一个有生命的管道，随着时间推移，它的内壁一点点向中心收缩。
结束时（t=T）： 隧道收缩到了极限，刚好变成了你那个小小的目标安全区。

关键规则：
只要你的车（系统）始终待在隧道里面，不撞破隧道的墙壁，那么当时间到达死线（T）时，你必然会刚好被“挤”进目标安全区里。

3. 这个方法的三大绝招

绝招一：把“赶时间”变成“守规矩”

以前的方法是在分析里偷偷算怎么赶时间，很难控制。
这个方法把“赶时间”变成了**“守住隧道边界”。你不需要知道复杂的数学公式去计算怎么加速，你只需要做一个简单的任务：“别跑出这个正在变窄的管子”**。

只要管子一直在变窄，你就被迫跟着变窄，最终必然到达终点。
这就像把一只猴子关在一个慢慢变小的笼子里，它最终只能待在笼子中心。

绝招二：力气要省着花（控制力有界）

这是最厉害的地方。

旧方法： 就像在倒计时最后 1 秒时，突然要求你以超音速冲刺，这需要无穷大的力气，现实中根本做不到。
新方法： 隧道收缩的速度是设计者可以控制的。你可以决定是“匀速收缩”还是“先慢后快”。
- 如果隧道收缩得太快，超过了你汽车的加速能力，系统会提前告诉你：“不行，这个时间太紧了，你的车跑不到，请延长截止时间。”
- 如果时间允许，系统会计算出一种最省力的收缩方式，让你平稳地滑进去，而不是猛踩油门。

绝招三：不管车多复杂，规则都一样

以前的方法（比如哈密顿 - 雅可比方法）在计算高维空间（比如 16 个机器人一起动）时，计算量会爆炸，就像要在一个巨大的迷宫里画每一寸地图，根本算不过来。

这个新方法非常聪明，它不管你有几个机器人，也不管系统多复杂，它只需要在每个时刻解一个简单的线性方程（就像解一个一次方程）。
这就好比：不管你是指挥 1 个人还是 1000 个人，只要告诉他们“别跑出这个圈”，他们就能自动排好队。这让它非常适合处理像无人机编队、多机器人协作这样的高维复杂任务。

4. 论文里的实验证明了什么？

作者做了两个很酷的测试：

16 个机器人的大合唱： 他们让 8 个机器人（每个有 2 个状态，共 16 维）在 16 维的空间里同时回到中心。以前的方法算不动，但这个方法轻松搞定，而且机器人用的力气非常平稳，没有那种“最后时刻疯狂冲刺”的抖动。
独轮车避障： 让一个独轮车在必须按时到达终点的同时，还要绕过路上的石头。系统自动规划了一条绕路，既没撞石头，又准时到了。

总结

这篇论文就像给自动驾驶或机器人设计了一个**“智能收缩的导航带”**。

它不再要求机器人“拼命冲刺”来赶时间，而是通过设计一个随时间变窄的安全通道，温柔而坚定地引导机器人，在有限的力气下，准时且安全地到达目的地。如果时间太紧、力气不够，它还能在出发前就告诉你：“这个计划行不通，得改时间。”

这就让那些以前因为太难算或者太费油而无法实现的“限时安全任务”，现在变得既可行又高效。

这是一份关于论文《Constricting Tubes for Prescribed-Time Safe Control》（用于规定时间安全控制的收缩管）的详细技术总结。

1. 问题背景 (Problem Statement)

在控制理论中，将动态系统在规定时间（Prescribed-time）内驱动到目标安全集是一个关键需求，特别是在卫星交会、机器人避障等对时效性和安全性都有严格要求的场景中。

核心挑战：当系统是非线性的且受到输入约束（Input Constraints，即执行器能力有限）时，现有的工具难以同时满足“规定时间收敛”和“输入约束可行性”。
现有方法的局限性：
- Hamilton-Jacobi (HJ) 可达性分析：虽然能提供形式化保证，但需要求解偏微分方程（PDE），计算复杂度随状态维度指数级增长，难以应用于高维系统或实时控制。
- 传统控制障碍函数 (CBF)：通常保证渐近稳定性，无法保证在规定时间 $T$ 内收敛。
- 现有规定时间/固定时间方法：通常依赖随时间发散的控制增益（如 $1/(T-t)$ ）或隐式的李雅普诺夫衰减条件。这导致在接近截止时间时，控制量趋于无穷大，难以在存在输入约束的情况下预先验证可行性，且容易触发执行器饱和。

2. 方法论 (Methodology)

作者提出了一种**收缩控制障碍函数（Constricting CBF）**框架，将“规定时间恢复”问题转化为“前向不变性（Forward Invariance）”问题。

核心思想：收缩管 (Constricting Tube)

构造时变安全管：给定一个初始状态 $x(0)$ $x (0)$ （可能在目标集 $C$ $C$ 之外）和截止时间 $T$ $T$ ，构建一个随时间收缩的“安全管” $\tilde{C}(t)$ $\tilde{C} (t)$ 。
- 在 $t=0$ 时，该管包含初始状态（即是一个松弛的安全集）。
- 在 $t=T$ 时，该管精确收缩为目标集 $C$ 。
收缩调度 (Constriction Schedule)：引入一个设计者指定的松弛函数 $r(x(0), t)$ $r (x (0), t)$ ，定义扩展的 CBF 为 $\tilde{h}(x, t) = h(x) + r(x(0), t)$ $\tilde{h} (x, t) = h (x) + r (x (0), t)$ 。
- $r$ 从初始违规量 $r_0 = \max(0, -h(x(0)))$ 单调递减至 0。
- 只要控制器能保证系统轨迹始终保持在收缩管 $\tilde{C}(t)$ 内，系统就必然在 $T$ 时刻进入目标集 $C$ 。

关键机制

有界控制需求：与现有方法不同，该框架的收缩率 $\dot{r}$ 是有界且可调节的。这意味着所需的额外控制压力是有限的，不会在 $t \to T$ 时发散。
输入约束下的可行性分析：
- 定义了障碍权限 (Barrier Authority) $\sigma(x)$ ，表示在状态 $x$ 处，系统利用最大控制输入 $u_{max}$ 能提升 $h(x)$ 的最大速率。
- 推导出了可行性条件：收缩速率 $|\dot{r}(t)|$ 必须小于或等于局部障碍权限 $\sigma(x)$ 。
- 最小恢复时间 ( $T_{min}$ )：对于线性调度，给出了最小截止时间的闭式解： $T_{min} = r_0 / \sigma_{min}$ 。这使得设计者可以在部署前验证给定的 $T$ 和 $u_{max}$ 是否可行。
控制器合成：
- 在每个时间步，求解一个凸二次规划（QP）问题。
- 目标函数最小化控制努力（或偏离标称控制器），约束条件为：
  $L_f \tilde{h} + L_g \tilde{h} u + \dot{r} \geq -\gamma(\tilde{h})$
  以及输入约束 $\|u\| \leq u_{max}$ 。
- 该约束是仿射的，且数量不随状态维度增加，因此具有极高的可扩展性。

扩展性

高阶系统：通过结合高阶 CBF (HOCBF) 框架，该方法可推广到相对阶数 $k > 1$ 的系统（如双积分器）。
随机系统：框架可推广至随机系统（如生成式采样模型）。

3. 主要贡献 (Key Contributions)

收缩 CBF 框架：提出了一种通过设计者指定的收缩管实现规定时间恢复的新框架。该框架仅需每个时间步施加一个与状态维度无关的仿射约束。
输入约束下的可行性分析：
- 推导了关于收缩率的显式验证条件。
- 给出了最小恢复时间 $T_{min}$ 的闭式表达式，作为设计时的可行性证书。
- 证明了在满足条件时，控制努力是有界的，避免了传统方法中的奇点发散问题。
可扩展性验证：
- 在 16 维多智能体系统上验证了框架的可扩展性（传统 HJ 方法在此维度下不可行）。
- 在 单轮车 (Unicycle) 的到达 - 避障 (Reach-Avoid) 问题中，展示了框架处理非线性动力学和多重约束（目标集 + 障碍物）的模块化能力。

4. 实验结果 (Results)

多智能体系统 (16 维)：
- 与现有的规定时间 CLF 方法（[5]）相比，本文方法成功将系统在规定时间 $T=6.4s$ 内驱动至安全集。
- 关键差异：现有方法由于增益发散，控制量在大部分时间内达到饱和（ $\approx 28.28$ ），且高频波动剧烈；而本文方法控制量平滑且远低于饱和极限（峰值 $\approx 3.66$ ），显著降低了执行器负担。
双积分器 (相对阶数 2)：
- 展示了 HOCBF 扩展的有效性。标称 PD 控制器无法在规定时间内到达目标，但加入收缩管约束后，系统成功在 $T=25s$ 进入目标集内部，且控制量有界。
单轮车到达 - 避障：
- 在模型预测控制 (MPC) 框架中集成了收缩管约束。
- 智能体成功绕过位于路径上的障碍物，并在规定时间 $T=20s$ 精确进入目标区域，同时始终保持避障约束满足。

5. 意义与影响 (Significance)

理论突破：解决了规定时间控制中“输入约束”与“收敛时间保证”难以兼顾的痛点。通过显式的收缩调度替代隐式的发散增益，使得控制量的有界性成为设计参数的一部分。
工程实用性：
- 计算高效：避免了求解 PDE，仅需在线求解 QP，适用于高维系统。
- 设计友好：提供了 $T_{min}$ 的解析公式，工程师可以在设计阶段直接判断任务是否可行，无需试错。
- 安全性：保证了在有限控制能力下的严格安全边界，避免了因控制量发散导致的系统不稳定或执行器损坏。
未来方向：论文指出了在扰动鲁棒性、最优调度设计以及递归可行性（Recursive Feasibility）方面的进一步研究空间。

总结：该论文提出了一种实用且可扩展的框架，通过构造有界收缩的安全管，成功实现了受输入约束的非线性系统在规定时间内的安全恢复，为高维复杂系统的安全控制提供了新的理论工具和解决方案。