⚡ electrical engineering

Integral Control Barrier Functions with Input Delay: Prediction, Feasibility, and Robustness

本文提出了一种针对具有输入延迟的非线性系统的安全控制框架，通过结合预测反馈与动态定义的积分控制障碍函数（ICBFs），在补偿延迟效应的同时解决了状态与输入约束下的可行性问题，并提供了抗预测误差的鲁棒性保障。

原作者： Adam K. Kiss, Ersin Das, Tamas G. Molnar, Aaron D. Ames

发布于 2026-03-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Adam K. Kiss, Ersin Das, Tamas G. Molnar, Aaron D. Ames

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非常实际且棘手的问题：当控制系统“反应迟钝”时，如何保证安全？

想象一下，你正在开一辆自动驾驶汽车。突然，前面的车急刹车。你的大脑（控制器）立刻计算出需要踩刹车，但你的脚（执行器）因为某种原因（比如网络延迟、机械反应慢）要过 1 秒钟才能真的踩下去。

在这 1 秒钟的“空窗期”里，车子还在按原来的速度冲。如果你等到 1 秒后看到车快撞上了再踩刹车，可能已经来不及了。更糟糕的是，为了在最后一刻刹住，你可能需要把刹车踩得死死的（输入过大），这可能会损坏刹车系统，或者导致车辆失控。

这篇论文就是为了解决这种“反应迟钝”带来的危险，提出了一套**“预知未来”的安全驾驶方案**。

以下是用通俗语言和比喻对论文核心内容的解读：

1. 核心难题：延迟与“双重约束”

延迟（Input Delay）： 就像你指挥一个动作迟缓的机器人。你喊“向左转”，它要等一会儿才动。如果你只看它现在的状态来指挥，等它动起来时，你可能已经撞墙了。
双重约束（Joint Constraints）： 安全不仅要保证“不撞车”（状态约束），还要保证“别把刹车踩爆了”（输入约束）。这就好比既要跑得快，又要不累死。如果两个要求冲突了（比如为了安全必须猛踩刹车，但刹车系统受不了），普通的控制方法就会死机（数学上叫“不可行”）。

2. 解决方案一：水晶球预测（Predictor Feedback）

论文提出了一种**“预知未来”**的方法。

比喻： 想象你的自动驾驶系统有一个“水晶球”。当你决定踩刹车时，系统不是看现在的车速，而是利用水晶球提前算出 1 秒后车子会在哪里。
怎么做： 系统会模拟：“如果我现在的指令在 1 秒后生效，车子会跑到哪里？”然后，它直接对着那个未来的位置来制定安全策略。
效果： 这样，即使物理上车子有延迟，但在控制逻辑上，它就像没有延迟一样，能提前做出反应，避免撞车。

3. 解决方案二：给“刹车”加个缓冲垫（Integral Control Barrier Functions, ICBF）

传统的控制方法像是一个死板的保安，只盯着“别撞车”这一条线。但论文引入了ICBF（积分控制屏障函数），这更像是一个经验丰富的老教练。

比喻： 老教练不仅看“别撞车”，还看“你的脚踩得有多狠”。如果为了安全必须猛踩刹车，老教练会提前告诉系统：“慢点踩，慢慢加力，别一下子踩死，否则刹车片会坏。”
作用： 它把“不能撞车”和“不能踩太狠”这两个要求融合在一起，设计出一个既能保命又不伤车的平滑指令。论文还推导了一个数学公式，确保这两个要求永远不会打架（即保证系统永远有解，不会死机）。

4. 解决方案三：应对“看走眼”的鲁棒性（Robustness）

上面的“水晶球”预测需要非常精准。但在现实中，我们可能不知道延迟到底是 1 秒还是 1.2 秒，或者路况有变化，导致预测看走眼了（Prediction Error）。

比喻： 如果你的水晶球偶尔会看错 10%，怎么办？
怎么做： 论文给系统穿上了一层**“防弹衣”（鲁棒性设计）。系统会假设：“万一我看错了，最坏的情况会怎样？”然后预留出一点安全余量**。
效果： 即使预测稍微有点偏差，车子也不会突然失控，而是会稍微保守一点，提前减速，确保即使“看走眼”了，依然安全。

5. 实际演练：自适应巡航（ACC）

为了验证这套理论，作者用**自适应巡航控制（ACC）**做了模拟实验：

场景： 你的车跟着前车跑，中间有延迟。
结果：
- 普通方法（不知道延迟）： 看到前车减速才反应，结果直接撞上去，或者急刹车把系统搞坏了。
- 有延迟但没预测： 反应太慢，撞车。
- 用了论文的方法（预测 + 双重约束 + 鲁棒性）： 即使延迟了 1.2 秒，或者预测时间有 50% 的误差，车子依然能平滑、安全地减速，既没撞车，也没把刹车踩坏。

总结

这篇论文就像给自动驾驶系统装上了三个神器：

水晶球： 提前看到未来，抵消反应迟钝。
老教练： 同时管住“别撞车”和“别太猛”，让两者和谐共处。
防弹衣： 就算预测有点不准，也能兜住底，保证万无一失。

这让未来的自动驾驶汽车在面对各种复杂的延迟和不确定性时，能像老司机一样，既安全又平稳。

这是一份关于论文《带有输入延迟的积分控制障碍函数：预测、可行性与鲁棒性》（Integral Control Barrier Functions with Input Delay: Prediction, Feasibility, and Robustness）的详细技术总结。

1. 研究背景与问题 (Problem)

在安全关键控制系统中，控制障碍函数 (Control Barrier Functions, CBFs) 被广泛用于确保系统状态保持在安全集内。然而，将 CBF 应用于实际系统时面临两个主要挑战：

输入延迟 (Input Delay)：执行器、计算或通信延迟会导致控制指令无法立即生效。如果控制器基于当前状态 $x(t)$ 评估 CBF 条件，而指令 $u(t)$ 实际上在 $t+\tau$ 时刻才生效，这种不匹配会导致安全违规（状态约束被破坏）或控制器不可行（输入约束被破坏）。
联合约束与可行性 (Joint Constraints & Feasibility)：实际系统通常同时受到状态约束（如安全距离）和输入约束（如执行器饱和）。传统的 CBF 仅处理状态约束。虽然积分控制障碍函数 (ICBFs) 通过将控制输入作为状态的一部分来处理输入约束，但在同时存在状态和输入约束时，构建的二次规划 (QP) 可能变得不可行（即无解），或者在安全集边界产生非期望的平衡点。
预测误差与鲁棒性 (Prediction Errors & Robustness)：为了补偿延迟，通常使用预测反馈（Predictor Feedback）。但在实际中，延迟 $\tau$ 和系统动力学往往是不确定的，导致预测状态 $\hat{x}_p$ 与真实未来状态 $x_p$ 之间存在误差。这种误差会作为扰动破坏安全性。

核心问题：如何为具有输入延迟、同时受状态和输入约束的非线性系统，设计一个既能补偿延迟、又能保证联合约束下 QP 可行性，且对预测误差具有鲁棒性的安全控制框架？

2. 方法论 (Methodology)

论文提出了一种基于积分控制障碍函数 (ICBF) 的框架，结合了预测反馈和鲁棒优化技术。

A. 预测反馈集成 (Predictor Feedback Integration)

机制：利用预测器 $\Psi$ 将当前状态 $x(t)$ 和历史输入 $u_t$ 前向积分，得到预测状态 $x_p(t) = x(t+\tau)$ 。
控制律设计：将积分控制器设计在预测状态上，而非当前状态。
- 名义控制器部分： $\dot{u} = \phi(x_p, u) + v$ ，其中 $\phi$ 驱动输入 $u$ 跟踪基于预测状态 $x_p$ 的名义控制律。
- 安全修正部分： $v$ 作为辅助输入，通过 QP 计算，确保在预测状态 $x_p$ 下满足安全条件。
效果：通过让安全滤波器基于“未来状态”运行，抵消了输入延迟的影响，使闭环系统表现为无延迟动态。

B. 联合约束下的可行性分析 (Feasibility under Joint Constraints)

针对同时存在状态约束 ( $h_e$ ) 和输入约束 ( $h_u$ ) 的情况，作者推导了二次规划 (QP) 的闭式可行性条件。

QP 形式：最小化修正输入 $v$ 的范数，同时满足两个线性约束 $b_e^T v \ge a_e$ 和 $b_u^T v \ge a_u$ 。
可行性条件：利用 Farkas 引理的变体，推导了两个约束相容的充要条件。
- 单个约束必须各自满足 ICBF 条件。
- 关键条件：当两个约束的梯度向量 $b_e$ 和 $b_u$ 反向平行（即 $\|b_e\|\|b_u\| + b_e^T b_u = 0$ ）时，必须满足 $(a_e + r_e)\|b_u\| + (a_u + r_u)\|b_e\| \le 0$ 。
设计启示：通过调整积分控制器 $\phi$ 的参数，可以塑造 $a_e$ 和 $a_u$ ，从而主动满足这一相容性条件，确保 QP 始终有解。

C. 鲁棒安全控制 (Robust Safety)

针对预测误差（由延迟估计不准 $\hat{\tau} \neq \tau$ 引起），将预测误差视为匹配扰动 $d(t)$ 。

鲁棒 ICBF 条件：在标准 ICBF 不等式右侧增加一个鲁棒项 $r_i(x_p, u)$ $r_{i} (x_{p}, u)$ 。
- $b_i^T v \ge a_i + r_i$
- 其中 $r_i$ 包含与障碍函数值 $h_i$ 相关的衰减项（如 $\mu_i(h_i)\|b_i\| + \sigma_i(h_i)\|b_i\|^2$ ）。
自适应鲁棒性：通过调节参数 $\mu_i, \sigma_i$ ，使鲁棒性主要集中在安全集边界附近（ $h_i \approx 0$ ），而在安全集内部保持控制器行为不变，减少保守性。
不变性保证：证明了在扰动有界的情况下，系统状态要么保持在原始安全集内（若扰动较小），要么保持在膨胀的安全集 $S_{i,\delta}$ 内（输入到状态安全，ISS）。

3. 主要贡献 (Key Contributions)

延迟补偿的 ICBF 框架：首次将预测反馈机制嵌入到积分控制障碍函数框架中，解决了输入延迟下的安全控制问题，使安全滤波器基于预测状态运行。
联合约束的闭式可行性条件：针对状态和输入同时受限的情况，推导了保证两约束 QP 可行的解析条件（Proposition 1）。这解决了多约束下 ICBF 可能无解的难题，并提供了设计相容 ICBF 对的指导。
可调节的鲁棒性公式：提出了基于预测误差扰动的鲁棒 ICBF 方法，能够处理延迟不确定性。该方法通过可调节的鲁棒项，在安全性和控制性能之间取得平衡，并证明了在预测误差存在时的前向不变性。
自适应巡航控制 (ACC) 验证：通过带有执行器延迟的 ACC 案例，验证了理论结果。

4. 实验结果 (Results)

论文在自适应巡航控制 (ACC) 系统中进行了仿真实验，对比了三种情况：

无延迟参考：理想情况。
无预测的延迟控制器：直接使用当前状态计算 CBF。
- 结果：由于未能预见延迟带来的制动需求，导致安全距离约束和加速度约束同时被违反，发生碰撞风险。
预测反馈控制器 (完美预测)：使用真实延迟 $\tau$ $τ$ 进行预测。
- 结果：完全补偿了延迟，系统响应与无延迟参考一致，所有约束均得到满足。
鲁棒预测反馈 (延迟估计误差 50%)：假设延迟估计值 $\hat{\tau}$ $\overset{τ}{^}$ 仅为真实值的一半（ $\hat{\tau} = 0.6s, \tau=1.2s$ $\overset{τ}{^} = 0.6 s, τ = 1.2 s$ ）。
- 无鲁棒性：预测误差导致扰动，使得状态约束（安全距离）被违反。
- 有鲁棒性 (本文方法)：引入鲁棒项后，控制器提前介入，成功维持了所有约束，即使存在显著的延迟估计误差，系统依然保持安全。

5. 意义与影响 (Significance)

理论突破：填补了 ICBF 理论在输入延迟系统中的空白，特别是解决了多约束（状态 + 输入）下的可行性难题。
工程实用性：提出的框架直接针对实际工程痛点（延迟、执行器饱和、模型不确定性）。通过解析可行性条件，工程师可以在设计阶段就确保控制器的可解性，避免运行时 QP 无解导致的系统崩溃。
鲁棒性提升：通过引入可调的鲁棒项，该方法不需要精确知道延迟值即可保证安全，极大地提高了控制策略在不确定环境下的可靠性。
应用前景：该框架适用于自动驾驶（ACC、车道保持）、机器人操作等存在通信延迟和执行器动态的复杂非线性系统，为未来在嵌入式平台上部署在线延迟估计和安全控制奠定了基础。

总结：该论文通过结合预测反馈、积分控制障碍函数和鲁棒优化，构建了一个强大的安全控制框架，有效解决了输入延迟、联合约束和模型不确定性带来的挑战，为安全关键系统的实际部署提供了坚实的理论支撑和验证。