⚡ electrical engineering

Safe Control of Feedback-Interconnected Systems via Singular Perturbations

该论文受奇异摄动理论启发，提出了一种将降阶模型设计的安全证书推广至多时间尺度反馈互联系统的方法，通过构造复合控制障碍函数，在满足时间尺度分离条件下，仅需对低维降阶模型求解在线安全滤波器即可确保整体系统的安全性。

原作者： Stefano Di Gregorio, Guido Carnevale, Giuseppe Notarstefano

发布于 2026-04-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Stefano Di Gregorio, Guido Carnevale, Giuseppe Notarstefano

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

这篇论文主要解决了一个非常实际的问题：如何在一个由“快”和“慢”两部分组成的复杂系统中，确保它永远安全？

想象一下，你正在驾驶一辆非常先进的自动驾驶汽车。这辆车其实是由两个大脑在协同工作：

慢大脑（机械部分）： 负责控制车轮转向、车身移动。它的反应比较慢，因为物理惯性大，转个弯需要时间。
快大脑（电子/算法部分）： 负责处理传感器数据、计算最佳路径，或者控制电机的电流。它的反应极快，微秒级就能做出反应。

核心挑战：
通常，工程师会先设计一个“慢大脑”的安全规则（比如：转弯时不能太快，否则会翻车）。但是，如果“快大脑”反应不够快，或者它的计算有延迟，它可能会给“慢大脑”错误的指令，导致车子虽然理论上安全，实际上却撞上了。

这就好比一个老练的船长（慢系统）和一个反应极快但偶尔会发疯的舵手（快系统）。如果船长说“向左转”，舵手因为太激动，瞬间把船猛转了 90 度，船可能就会翻。

这篇论文做了什么？

作者提出了一种基于**“奇异摄动”（Singular Perturbations）理论的数学方法。用通俗的话说，就是利用“时间尺度的分离”**来保证安全。

1. 核心比喻：骑大象与驯象师

想象你在骑一头大象（慢系统），旁边有一个驯象师（快系统/算法）。

大象走得很慢，它的动作决定了你是否会掉进坑里（安全约束）。
驯象师动作极快，他负责指挥大象。

传统做法的痛点：
如果你想保证大象不掉进坑里，你必须同时考虑大象怎么动、驯象师怎么指挥，甚至驯象师会不会突然发疯。这太复杂了，计算量巨大，甚至算不出来。

这篇论文的“魔法”：
作者发现，只要驯象师的动作足够快（比大象快得多），你就可以忽略驯象师的具体动作细节。

你只需要设计一套规则，让大象在“理想状态”下（假设驯象师能瞬间完美执行指令）不掉进坑里。
然后，只要驯象师跑得足够快（论文中用 $\epsilon$ 这个参数表示，越小越快），大象实际上就不会掉进坑里。

2. 他们是怎么做到的？（复合安全证书）

作者发明了一种**“复合安全证书”（Composite CBF）。这就像是一个双层保险锁**：

第一层（慢层）： 确保大象本身在安全区域内。
第二层（快层）： 确保驯象师没有偏离“理想指令”太远。

关键发现：
如果驯象师（快系统）跑得足够快，他偏离理想指令的误差就会非常小。这时候，只要大象（慢系统）遵守了安全规则，整个系统就是安全的。

这就好比：只要你的保镖（快系统）反应够快，能瞬间挡住所有飞来的子弹，你（慢系统）只需要按照正常的路线走，不需要时刻担心被击中。

论文的两个实际应用场景

机器人手臂（机械 vs 电机）：
- 慢：机械臂的关节转动。
- 快：驱动关节的电机电路。
- 应用： 工程师只需要给机械臂设计安全规则（比如别撞到墙），然后确保电机电路的反应速度足够快。这样就不需要为复杂的“机械 + 电路”混合体重新设计一套超级复杂的规则，大大简化了工作。
物理工厂 + 优化算法：
- 慢：真实的工厂机器在运转。
- 快：一个计算机算法在实时计算“怎么操作最省油/最快”。
- 应用： 算法在疯狂计算最优解，只要它算得够快，工厂机器就能安全地跟着最优解走，而不用担心算法计算过程中的“中间状态”导致机器撞车。

总结：为什么这很重要？

化繁为简： 以前，要控制一个复杂的“快 + 慢”系统，必须把两者绑在一起算，非常难。现在，你可以只给“慢”的部分设计安全规则，只要“快”的部分够快，整体就安全。
节省算力： 计算机不需要处理那么复杂的方程，只需要处理简单的“慢系统”方程，这让实时控制变得更容易。
理论保障： 论文不仅说了“大概行”，还给出了严格的数学证明：只要快慢速度差距超过某个临界值（ $\epsilon$ 足够小），安全就是100% 保证的。

一句话总结：
这篇论文告诉我们，只要让“反应快的小弟”跑得足够快，我们只需要给“反应慢的大哥”定好规矩，整个团队就能在复杂的环境中安全地工作，而无需担心那些令人头大的细节干扰。

论文技术总结：基于奇异摄动的反馈互联系统安全控制

1. 研究背景与问题定义 (Problem)

背景：在现代复杂系统（如机器人、自动驾驶、物理系统与优化算法的交互）中，安全控制至关重要。控制障碍函数（Control Barrier Functions, CBFs）已成为非线性系统安全控制的核心工具。
核心挑战：
- 许多实际系统由不同时间尺度的子系统通过反馈互联组成（例如：机器人的机械动力学与电机电气动力学，或物理被控对象与在线优化算法）。
- 安全约束通常仅涉及系统的部分状态（通常是慢速子系统）。
- 直接为整个高维、强耦合的互联系统设计 CBF 极其困难，甚至不可行。
- 现有的降阶模型方法（如针对严格反馈形式的反步法）往往依赖于特定的系统结构，缺乏通用性。
研究目标：建立一套形式化的框架，证明在满足一定的时间尺度分离条件下，可以将降阶模型（Reduced-Order Model）上设计的安全证书（Safety Certificate），有效地“提升”（Lift）到完整的反馈互联系统上，从而保证整体系统的安全性。

2. 方法论 (Methodology)

本文提出了一种基于**奇异摄动理论（Singular Perturbation Theory）和时间尺度分离（Timescale Separation）**的方法。

系统建模：
将互联系统建模为慢速子系统（ $x$ ）和快速子系统（ $z$ ）的耦合形式：
$\begin{aligned} \dot{x}(t) &= f(x(t), z(t), u(t)) \\ \epsilon \dot{z}(t) &= g(z(t), x(t), u(t)) \end{aligned}$
其中 $\epsilon > 0$ 是一个小参数，表示快慢时间尺度的分离程度。
核心假设：
1. 安全定义：安全集仅由慢速状态 $x$ 定义（ $S = \{(x, z) | x \in S_x\}$ ）。
2. 平衡流形：快速子系统存在一个关于 $x$ 和 $u$ 的平衡函数 $z_{eq}(x, u)$ ，使得当 $z = z_{eq}$ 时， $\dot{z}=0$ 。
3. 降阶模型安全：在流形 $z = z_{eq}(x, u)$ 上，存在一个降阶系统，且已设计好一个鲁棒的 CBF $h(x)$ 和控制器 $\pi(x)$ ，满足安全条件（包含安全裕度 $\eta$ ）。
4. 边界层稳定性：当慢速状态 $x$ 固定时，快速子系统（边界层系统）关于平衡点 $z_{eq}$ 是全局指数稳定的，且存在李雅普诺夫函数 $U(\tilde{z})$ 。
复合 CBF 构造 (Composite CBF)：
作者构造了一个复合障碍函数 $V(x, z)$ ，将降阶模型的安全性与快速子系统的稳定性结合起来：
$V(x, z) := h(x) - U(z - z_{eq}(x, \pi(x)))$
- $h(x)$ ：保证慢速状态在安全集内。
- $U(\cdot)$ ：惩罚快速状态偏离平衡流形的程度。
- 该函数定义了一个新的安全集 $C_V = \{(x, z) | V(x, z) \ge 0\}$ 。
理论推导：
利用奇异摄动分析，证明了当 $\epsilon$ 足够小（即时间尺度分离足够大）时，复合函数 $V$ 的导数满足 CBF 条件。这意味着，只要初始状态在 $C_V$ 内，且 $\epsilon$ 小于某个临界值 $\bar{\epsilon}$ ，整个互联系统的轨迹将保持在前向不变的安全集内。

3. 主要贡献 (Key Contributions)

首个形式化框架：首次建立了基于奇异摄动理论的安全控制框架，专门用于解决反馈互联系统的安全证书提升问题。
通用性：该方法不要求系统具有严格的级联结构（strict cascade structure）或特定的反馈线性化形式，适用于广泛的非线性动力学。
计算效率：在线安全滤波器（Safety Filter）只需在低维的降阶模型上求解，显著降低了计算负担，同时为高维互联系统提供了形式化的安全保证。
理论界限：给出了保证安全性的充分条件，即时间尺度分离参数 $\epsilon$ 必须小于由系统动力学特性决定的临界阈值 $\bar{\epsilon}$ 。

4. 实验结果 (Results)

作者在两个典型场景下进行了数值仿真验证：

场景一：带电机动力学的机械臂
- 设置：一个两自由度平面机械臂，慢速状态为关节位置和速度，快速状态为电机电流。
- 方法：仅针对忽略电机电感（降阶）的机械动力学设计 CBF，然后应用于包含电感的完整系统。
- 结果：当时间尺度参数 $\epsilon$ （代表电感大小）较小时，系统轨迹严格保持在安全集内；当 $\epsilon$ 超过临界值时，出现安全违规。这验证了理论预测的阈值特性。
场景二：次优安全控制（物理系统与优化算法互联）
- 设置：物理被控对象与一个在线优化算法（如梯度流）互联，算法旨在求解满足安全约束的最优控制输入。
- 方法：将优化算法的动态视为快速子系统，物理对象视为慢速子系统。
- 结果：与直接求解精确 CBF-QP（二次规划）相比，该次优方法在 $\epsilon$ 较小时能保持安全，且计算更简单；但在 $\epsilon$ 较大时，由于算法收敛速度跟不上物理状态变化，导致安全约束被违反。

5. 意义与影响 (Significance)

理论突破：填补了将降阶模型安全分析推广到复杂反馈互联系统的理论空白，特别是针对具有多时间尺度特性的系统。
工程应用价值：
- 为机电系统（如机器人、无人机）提供了更实用的安全控制设计思路，允许工程师分别设计机械层和电气层的安全策略。
- 为安全强化学习和**模型预测控制（MPC）**中的在线优化问题提供了理论支撑，证明了在优化算法尚未完全收敛时，只要时间尺度分离足够，系统依然是安全的。
设计指导：明确了“时间尺度分离”是保证此类系统安全的关键因素，为系统参数设计（如滤波器带宽、电机电感设计、优化算法步长）提供了量化依据。

总结：该论文通过引入奇异摄动理论，成功地将低维模型的安全控制策略推广到了高维互联系统，解决了复杂系统中安全证书设计难、计算量大的问题，为现代复杂自主系统的安全部署提供了坚实的理论基础。