⚡ electrical engineering

Enforcing Mixed State-Input Constraints with Multiple Backup Control Barrier Functions: A Projection-based Approach

本文提出了一种基于投影的备份控制屏障函数（Backup CBF）框架，通过将混合状态 - 输入约束转化为状态约束，实现了对状态、输入及其混合约束的同时满足，并在倒立摆案例中验证了该方法的有效性。

原作者： Laszlo Gacsi, Adam K. Kiss, Ersin Das, Tamas G. Molnar

发布于 2026-03-19

📖 1 分钟阅读☕ 轻松阅读

原作者： Laszlo Gacsi, Adam K. Kiss, Ersin Das, Tamas G. Molnar

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或自动驾驶汽车在既安全又听话的前提下工作的新方法。

想象一下，你正在教一个调皮的机器人（比如一个倒立摆，就像一根在指尖上旋转的棍子）做体操。这个机器人有三个“紧箍咒”：

位置限制：棍子不能倒得太厉害（角度不能太大）。
力气限制：你的手指施加的力不能太大（扭矩限制）。
能量限制：你的手指施加的力乘以棍子的速度（也就是功率），不能超过某个值，否则你会累死或者电机烧坏。

以前的方法在处理前两个限制时很在行，但一旦涉及到第三个“混合限制”（既跟位置有关，又跟力气有关），或者当限制条件变得非常复杂时，机器人就会陷入两难：要么为了安全不敢动，要么为了动而违反规则，甚至直接“死机”（数学上叫不可行）。

这篇论文提出了一种聪明的**“投影法”，就像给机器人戴上了一副特殊的“安全眼镜”**。

核心概念：用“备份”来预测未来

1. 传统的困境：走一步看一步

以前的方法就像是一个近视眼司机。他只看眼前这一秒：

“如果我现在踩刹车，会不会撞墙？”
“如果我现在用力，会不会超过力气限制？”

如果眼前看起来安全，他就继续开。但问题是，有时候眼前看着安全，但下一秒因为惯性或者能量限制，车子就会失控。这就好比你在走钢丝，只看脚下，没看前面，很容易掉下去。

2. 新方法的智慧：拥有“未来视野”的备份

这篇论文的方法引入了一个**“备份控制器”（Backup Controller）。你可以把它想象成机器人的“本能”或者“紧急逃生专家”**。

备份控制器：这是一个非常保守、非常安全的策略。比如，当棍子快倒的时候，本能反应就是“立刻停下来，慢慢恢复平衡”。这个策略虽然慢，但保证绝对安全。
备份集（Backup Set）：这是机器人只要进入这个区域，就能靠“本能”安全回家的安全屋。

3. 核心魔法：投影（Projection）

这是论文最精彩的部分。

当面对复杂的“混合限制”（比如功率限制，既看速度又看力气）时，直接计算非常困难。作者想了一个绝妙的办法：投影。

比喻：想象你在玩一个 3D 游戏，屏幕上有很多复杂的障碍物（混合限制）。直接计算怎么绕过它们很难。
做法：作者让机器人先问自己：“如果我启动‘本能模式’（备份控制器），我会撞到这些障碍物吗？”
- 如果“本能模式”下是安全的，那么就把这个复杂的 3D 障碍物投影到 2D 的地板上，变成一个简单的“安全区域”。
- 现在，机器人只需要在这个简单的 2D 安全区域内活动，就能保证在 3D 世界里也是安全的。

通过这种**“投影”**，原本复杂的、既要看速度又要看力气的混合限制，被转化成了简单的、只看位置的“状态限制”。

这个方法好在哪里？

不再需要“过度刹车”：
以前的方法为了安全，往往要求机器人在任何地方都要把力气限制住（就像开车时不管有没有危险，都死死踩住刹车）。新方法只需要在“安全屋”（备份集）里保证安全就行，平时机器人可以更灵活地运动。
算得快，反应快：
因为把复杂问题转化成了简单问题，计算机算起来非常快。在倒立摆的例子里，他们甚至不需要实时模拟未来的轨迹，直接用一个公式就能算出结果，大大降低了计算成本。
永远不“死机”：
这是最重要的。以前的方法在遇到复杂限制时，可能会算不出解，导致机器人突然停止或失控。新方法通过“备份控制器”作为保底，保证了无论发生什么，机器人总能找到一个安全的动作，永远不会陷入死胡同。

总结

这就好比教一个新手司机开车：

旧方法：告诉他“只要不撞墙就行”，结果他为了省油（功率限制）或者为了快（速度限制），不小心把车开进了沟里。
新方法：给他配了一个**“自动驾驶教练”**（备份控制器）。教练告诉他：“只要你在这个安全区域内，你就按照你的想法开（只要不撞墙、不超力、不超功率）。一旦你感觉要出界了，教练会立刻接管，用一种最保守但绝对安全的方式把你拉回来。”

通过这种**“投影”**技术，作者成功地把复杂的混合限制变成了简单的安全区域，让机器人既能灵活运动，又能保证在任何情况下都绝对安全。这在未来的自动驾驶、机器人手术和无人机控制中，将是一个非常强大的工具。

论文技术总结：基于投影的多备份控制屏障函数混合状态 - 输入约束 enforcement

1. 研究背景与问题定义 (Problem)

在现代自主控制系统（如机器人、自动驾驶车辆）中，确保系统安全至关重要。传统的安全控制通常通过控制屏障函数 (Control Barrier Functions, CBFs) 来保证系统状态始终位于安全集合内。然而，现实世界中的控制问题往往面临以下挑战：

混合约束 (Mixed Constraints)： 安全限制不仅涉及状态（如位置、速度），还涉及控制输入（如力、扭矩），甚至是状态与输入的耦合（如功率 $P = \text{速度} \times \text{力}$ ）。
现有方法的局限性：
- 传统的 CBF 方法难以直接处理输入约束，因为维持安全所需的控制输入可能超出允许的控制范围。
- 现有的备份控制屏障函数 (Backup CBFs) 方法虽然能处理解耦的状态和输入约束，但尚未建立处理耦合的混合状态 - 输入约束的通用框架。
- 处理混合约束时，直接优化可能导致递归不可行性 (Recursive Infeasibility)，即在某些时刻找不到满足所有约束的控制输入。

核心问题： 如何设计一种安全控制框架，能够同时满足状态约束、输入约束以及状态 - 输入耦合约束（如功率限制），并保证控制问题的递归可行性？

2. 方法论 (Methodology)

本文提出了一种基于投影的备份控制屏障函数 (Projection-based Backup CBF) 框架。其核心思想是将混合状态 - 输入约束通过“投影”转化为纯状态约束，从而利用备份 CBF 理论进行求解。

2.1 核心概念：投影 (Projection)

混合约束定义： 定义混合约束集合 $D = \{(x, u) \mid H(x, u) \geq 0\}$ 。
投影过程： 利用一个预先设计的备份控制器 (Backup Controller) $k_b(x)$ $k_{b} (x)$ ，将混合约束从状态 - 输入空间 $(x, u)$ $(x, u)$ 投影到状态空间 $x$ $x$ 。
- 定义投影后的约束函数： $h(x) \triangleq H(x, k_b(x))$ 。
- 定义投影后的安全集合： $C_p = \{x \mid (x, k_b(x)) \in D\} = \{x \mid h(x) \geq 0\}$ 。
意义： 通过这种投影，原本依赖于输入 $u$ 的混合约束被转化为仅依赖于状态 $x$ 的约束。只要系统状态保持在 $C_p$ 内，且使用备份控制器 $k_b$ ，混合约束即得到满足。

2.2 多约束扩展与不变集构建

多约束处理： 框架支持多个解耦或耦合的约束（状态、输入、混合）。通过单个备份集 $S_b$ 和单个备份控制器 $k_b$ 处理所有约束。
不变集 $S_I^p$ 的构建：
- 利用备份流 $\phi_b(\theta, x)$ （即从状态 $x$ 出发，沿备份控制器 $k_b$ 演化的轨迹）。
- 定义不变集 $S_I^p$ $S_{I}^{p}$ 为所有满足以下条件的状态 $x$ $x$ 的集合：
  1. 在时间 horizon $T$ 内，沿备份流的所有状态均满足投影后的约束 $h(\phi_b(\theta, x)) \geq 0$ 。
  2. 在时间 $T$ 结束时，状态落入备份集 $S_b$ （ $S_b$ 本身在 $k_b$ 作用下是不变的）。
递归可行性保证： 只要初始状态在 $S_I^p$ 内，备份控制器 $k_b$ 始终是一个可行解，从而保证了优化问题的递归可行性。

2.3 控制合成 (QP formulation)

设计一个二次规划 (QP) 来求解实时控制输入 $u$ ：
$\begin{aligned} k(x) = \underset{u}{\arg\min} \quad & \|u - k_d(x)\|^2 \\ \text{s.t.} \quad & \dot{h}_j(\phi_b(\theta, x), u) \geq -\alpha_j(h_j(\phi_b(\theta, x))), \quad \forall \theta \in [0, T], \forall j \\ & \dot{h}_b(\phi_b(T, x), u) \geq -\alpha_b(h_b(\phi_b(T, x))) \\ & H_j(x, u) \geq 0, \quad \forall j \quad (\text{直接满足混合约束}) \end{aligned}$

线性化优势： 如果混合约束 $H_j(x, u)$ 关于 $u$ 是仿射的（Affine），则该 QP 是凸优化问题，易于求解。
去饱和 (De-saturation)： 对于解耦的状态和输入约束，该方法允许备份控制器 $k_b$ 仅在备份集 $S_b$ 内满足输入约束，而无需在整个状态空间进行饱和处理，简化了控制器设计。

3. 主要贡献 (Key Contributions)

混合约束的统一框架： 首次将备份 CBF 方法推广到混合状态 - 输入约束场景。通过投影技术，将复杂的耦合约束转化为纯状态约束问题。
单备份集处理多约束： 提出使用单个备份集 - 备份控制器对来处理多个解耦或耦合的约束，简化了多约束系统的合成过程。
简化备份控制器设计：
- 消除了传统方法中对备份控制器进行全局饱和 (Saturation) 的需求。
- 在特定条件下（如反馈线性化系统），允许备份流进行解析计算，避免了在线数值积分，显著降低了计算成本。
递归可行性保证： 理论证明了在投影集合 $S_I^p$ 内，该控制策略能保证混合约束的递归可行性。

4. 实验结果 (Results)

论文通过倒立摆 (Inverted Pendulum) 实例验证了方法的有效性：

场景设置：
- 状态约束：摆角 $|x_1| \leq \phi_{max}$ 。
- 输入约束：扭矩 $u_{min} \leq u \leq u_{max}$ 。
- 混合约束：功率 $P_{min} \leq x_2 u \leq P_{max}$ 。
对比方法： 与高阶控制屏障函数 (HOCBF) 方法对比。
关键发现：
- 集合分析： 投影后的不变集 $S_I^p$ 虽然比纯状态约束的集合小，但它是保证所有约束（包括功率）同时满足的必要条件。
- 仿真表现：
  - HOCBF 方法： 在输入和功率约束下，QP 变得不可行，导致轨迹违反约束（摆角超出范围或功率/扭矩越界）。
  - 本文方法： 成功维持了所有约束。由于引入了前向预测（Forward Prediction），备份 CBF 比 HOCBF 更早介入，防止系统进入不安全区域。
- 计算效率： 由于备份流是解析解，无需在线积分，计算负担小。

5. 意义与影响 (Significance)

理论突破： 解决了 CBF 领域中长期存在的混合约束处理难题，特别是针对功率等状态 - 输入耦合约束的安全控制。
工程应用价值：
- 为机器人、自动驾驶等需要同时考虑物理极限（力/扭矩）和能量限制（功率）的系统提供了可靠的安全控制方案。
- 通过消除饱和需求和解析计算备份流，提高了算法在实时嵌入式系统上的可行性。
通用性： 该方法不仅适用于功率约束，还可推广至任何状态与输入线性或仿射耦合的安全约束场景。

总结： 本文提出了一种基于投影的备份 CBF 框架，巧妙地将混合状态 - 输入约束转化为状态约束，不仅保证了控制系统的递归可行性和安全性，还简化了控制器设计并降低了计算复杂度，为复杂约束下的安全控制提供了强有力的工具。