⚡ electrical engineering

Output Feedback Backup Control Barrier Functions: Safety Guarantees Under Input Bounds and State Estimation Error

该论文针对状态估计误差和输入受限的挑战，提出了一种输出反馈备份控制障碍函数（O-bCBF）方法，通过构建围绕估计流的“不确定性包络”来确保真实状态始终满足安全约束，并证明了在输入约束下总能找到可行的安全控制输入。

原作者： David E. J. van Wijk, Tamas G. Molnar, Samuel Coogan, Manoranjan Majji, Aaron D. Ames, Joel W. Burdick

发布于 2026-04-23

📖 1 分钟阅读☕ 轻松阅读

原作者： David E. J. van Wijk, Tamas G. Molnar, Samuel Coogan, Manoranjan Majji, Aaron D. Ames, Joel W. Burdick

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：当自动驾驶汽车或机器人“看不清”自己确切位置（状态估计有误差），且“手脚”力气有限（控制输入有上限）时，如何保证它们绝对安全，不撞车、不翻车？

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**“在迷雾中驾驶一辆有刹车极限的赛车”**。

1. 核心困境：迷雾与力不从心

想象你正在开一辆赛车（系统），但你的挡风玻璃上全是雾（状态估计误差）。你只能看到大概的位置（估计值 $\hat{x}$ ），看不到确切的位置（真实值 $x$ ）。同时，你的油门和刹车都有极限，不能无限加速或瞬间刹停（输入受限）。

传统方法的问题：以前的安全算法通常假设你能看清路（完美状态信息）。如果你按“看清路”的算法开车，但实际路是模糊的，你可能会因为误判距离而冲出赛道。
备份控制屏障函数 (bCBF) 的局限：以前有一种叫“备份控制屏障函数”的技术，就像给赛车装了一个“紧急避险系统”。它会预测：“如果我从现在开始一直踩刹车（备份控制器），能不能在撞墙前停下来？”如果能，就允许你继续加速。但这个方法假设你能看清路。如果路是模糊的，这个预测就不准了，因为你的“刹车”是基于模糊的视线踩下去的，实际效果可能完全不同。

2. 论文的解决方案：给预测加个“安全气泡”

这篇论文提出了一种叫**“输出反馈备份控制屏障函数 (O-bCBF)"**的新方法。它的核心思想可以用一个生动的比喻来解释：

比喻：迷雾中的“安全气泡”与“逃生通道”

想象你不仅在看路，还在给赛车周围画一个不断变化的“安全气泡”（Uncertainty Envelope）。

气泡（不确定性包络）：
因为你看不清路，你不知道车确切在哪，但你知道车一定在“估计位置”周围的一个范围内。这个范围就是“气泡”。
- 以前的做法：只盯着“估计位置”看，以为车就在那。
- 这篇论文的做法：盯着整个“气泡”。只要整个气泡都在安全区域内，那么无论车实际在气泡里的哪个角落，它都是安全的。
双重预测（开环与闭环）：
为了判断这个气泡会不会在未来撞墙，作者设计了两种“望远镜”：
- 方法一（开环安全）：想象如果你不再修正视线（不再看后视镜），只是按当前估计的方向和速度一直开，这个“气泡”会不会在将来某个时刻碰到墙？如果连最坏的情况（气泡边缘）都碰不到墙，那就安全。
- 方法二（闭环安全）：想象你一直在修正视线（看后视镜），气泡会随着修正变小。这种方法更复杂，但能算出更紧的安全边界。
逃生通道（备份控制器）：
这是最关键的一步。论文不仅要求“现在不撞”，还要求“如果现在情况变糟，我有没有退路？”
- 他们设计了一个**“傻瓜式紧急刹车”**（备份控制器）。这个刹车很简单，专门用来把车拉回一个绝对安全的“避难所”（备份集，比如一个很小的安全圆圈）。
- 核心逻辑：只要你的“安全气泡”里包含了一条通往“避难所”的路，并且这条路上的每一个点（包括气泡的边缘）都保证能安全到达避难所，那么无论你的视线多模糊，你都是安全的。

3. 具体怎么做的？（简单三步走）

画个圈（定义安全集）：
先定义什么是“安全”（比如离墙至少 1 米）。
造个气泡（处理误差）：
根据传感器的误差，算出车可能在哪里。把这个可能区域放大，形成一个“气泡”。
验证逃生路线（数学证明）：
用数学方法证明：只要这个“气泡”里的车，按照某种策略（备份控制器）开，无论它实际在气泡里的哪个位置，都能在未来的一段时间内，安全地滑进那个“避难所”（备份集）。
- 如果证明成功，系统就允许你继续做你想做的事（比如加速超车）。
- 如果证明失败（气泡太大，或者离墙太近），系统就会强制接管，启动“傻瓜式紧急刹车”，把车拉回安全区。

4. 为什么这很重要？（现实意义）

现实世界没有完美的传感器：所有的自动驾驶、无人机、机器人都有误差。这篇论文让安全算法不再“天真”地假设数据是完美的。
不浪费性能：以前的方法为了安全，可能会把车开得像个老学究，动都不敢动（太保守）。这篇论文通过精确计算“气泡”的大小，让车在安全的前提下，尽可能大胆地行驶。
保证有解：论文证明了，只要初始状态在安全范围内，永远存在一个控制指令能让车安全。这意味着系统不会“死机”或陷入“不知道该怎么办”的困境。

总结

这篇论文就像给自动驾驶系统装上了一副**“带安全余量的眼镜”**。

它不再问：“如果我看清了，我安全吗？”
而是问：“如果我看错了，最坏的情况下，我还能安全地逃回避难所吗？”

只要答案是“能”，系统就敢放手去开。这就是在充满不确定性的现实世界中，实现绝对安全的数学魔法。

1. 研究背景与问题定义 (Problem Statement)

核心挑战：
在现实世界的自主系统应用中，确保控制器的安全性至关重要。然而，现有的控制屏障函数（Control Barrier Functions, CBF）方法通常假设状态是完美已知的（Perfect State Information）。在实际场景中，系统状态往往无法直接测量，必须通过带有噪声的传感器输出进行估计（即输出反馈）。此外，执行器通常存在输入约束（Input Bounds）。

具体问题：
当系统仅拥有状态估计值 $\hat{x}$ 而非真实状态 $x$ ，且控制输入 $u$ 受限时，如何设计控制器以严格保证真实状态 $x(t)$ 始终满足安全约束？

状态不确定性： 估计误差导致基于 $\hat{x}$ 计算的流（Flow）与真实流不一致。
耦合效应： 真实状态的演化依赖于基于估计值的反馈，导致已知流（估计流）与未知流（真实流）之间存在耦合。
可行性问题： 在输入受限的情况下，如果状态估计误差过大，可能导致无法找到满足安全条件的控制输入（即优化问题不可行）。

2. 方法论 (Methodology)

作者提出了一种名为 输出反馈备用控制屏障函数 (Output Feedback Backup Control Barrier Functions, O-bCBFs) 的新框架。该方法扩展了现有的备用控制屏障函数（bCBF），专门处理状态估计误差和输入约束。

2.1 核心概念

备用集与备用控制器 (Backup Set & Controller)： 定义一个较小的、已知可控不变的安全子集 $C_B$ （备用集），并设计一个备用控制器 $k_b$ ，使其在输出反馈下也能保持该集合的向前不变性。
不确定性包络 (Uncertainty Envelope)： 围绕估计的备用流（Open-loop Estimated Backup Flow）构建一个“管状”区域（Tube），该区域包含真实状态流的可能性。
收紧项 (Tightening Terms)： 在安全约束中引入额外的收紧项（ $\epsilon_\tau, \epsilon_b$ ），以补偿状态估计误差和流预测的不确定性。

2.2 两种主要方法

论文提出了两种计算收紧项和流边界的方法：

方法一：开环安全法 (Open-loop Safety)

原理： 比较“开环估计流”（基于当前估计值 $\hat{x}$ 和备用控制器 $k_b$ 向前积分，无修正项）与“开环真实流”。
流程：
1. 计算估计的开环流 $\hat{\phi}^o_b$ 。
2. 利用 Lipschitz 常数或线性系统特性，推导真实流与估计流之间的偏差界 $\hat{\delta}(\tau, t)$ 。
3. 定义一个基于估计状态的安全集 $\hat{C}_{I}(t)$ ，该集合通过收紧项确保：如果估计状态 $\hat{x}$ 在该集合内，则真实状态 $x$ 必然在真实的安全集 $C_I$ 内。
适用性： 适用于线性系统或输入映射 $g(x)$ 为常数/具有较小 Lipschitz 常数的非线性系统。

方法二：闭环安全法 (Closed-loop Safety)

原理： 利用闭环系统的特性，将误差分解为“估计流与闭环估计流的偏差”以及“闭环估计流与真实流的偏差”。
流程：
1. 利用闭环备用动力学 $f_{cl}$ 的收缩性（Contraction）或单侧 Lipschitz 性质。
2. 推导更紧致的流边界，特别是当估计误差随时间衰减时，该方法能提供更小的收紧项，减少保守性。
适用性： 适用于非线性较强、 $g(x)$ 变化剧烈或闭环动力学具有收缩性质的系统。

2.3 控制器设计 (Controller Synthesis)

构建一个二次规划问题 (O-bCBF-QP)：
- 目标： 最小化与主控制器 $k_p$ 的偏差。
- 约束： 满足基于估计状态 $\hat{x}$ 的向前不变性条件（包含收紧项和鲁棒项）。
可行性保证： 证明了如果初始估计状态 $\hat{x}_0$ 属于构造的安全集 $\hat{C}_{I}(0)$ ，则备用控制器 $k_b$ 始终是一个可行的安全控制输入。因此，即使 QP 无解，系统也可切换至 $k_b$ 以保证安全（递归可行性）。

3. 主要贡献 (Key Contributions)

理论框架扩展： 首次将备用控制屏障函数（bCBF）推广到输出反馈场景，解决了状态估计误差与输入约束耦合下的安全保证问题。
递归可行性证明： 证明了在存在状态不确定性和输入约束的情况下，始终存在一个可行的控制输入能保证真实系统的安全。这解决了传统 CBF 在输出反馈下可能因估计误差导致优化问题不可行的难题。
两种构造方法： 提出了开环和闭环两种方法来计算流边界和收紧项，为不同特性的系统（线性 vs 非线性）提供了灵活的安全设计工具。
严格的安全保证： 证明了只要估计状态满足基于收紧项的安全集条件，真实状态就必然满足原始的安全约束。

4. 实验结果 (Results)

论文通过两个数值仿真案例验证了方法的有效性：

案例 1：双重积分器 (Double Integrator)
- 场景： 线性系统，带有位置测量噪声。
- 结果： 展示了在初始估计误差较大的情况下，提出的 O-bCBF 方法能够利用开环流边界（不确定性包络）调整控制策略。随着估计误差收敛，安全集收紧，控制输入在满足约束的同时尽可能接近主控制器。
- 对比： 验证了真实状态始终保持在安全集内，尽管控制器仅使用估计状态。
案例 2：航天器旋转 (Spacecraft Rotation)
- 场景： 非线性刚体动力学，使用扩展卡尔曼滤波器（EKF）进行角速度估计。
- 结果： 主控制器被故意设计为会导致航天器超速（不安全）。
  - 传统方法失效： 直接使用估计状态的标准 bCBF 方法（忽略估计误差）导致真实角速度超出安全界限（飞出安全球体）。
  - O-bCBF 成功： 提出的方法通过引入不确定性包络和收紧项，成功将真实角速度限制在安全范围内，同时满足输入力矩约束。
- 可视化： 图 5 清晰展示了真实轨迹（黑色）始终在安全域内，而忽略误差的方法（红色）导致了不安全行为。

5. 意义与影响 (Significance)

填补空白： 解决了安全关键控制领域中长期存在的“完美状态假设”与“实际输出反馈”之间的鸿沟。
工程实用性： 为在传感器噪声、模型不确定性和执行器限制共存的复杂环境中部署自主系统（如机器人、自动驾驶、航天器）提供了严格的数学保证。
保守性平衡： 通过引入收紧项和流边界分析，在“过度保守（导致系统无法运行）”和“不安全”之间找到了平衡点，特别是通过闭环方法进一步减少了保守性。
通用性： 该方法不仅适用于线性系统，也适用于具有复杂非线性动力学的系统，且对估计器的具体形式（如 EKF、Luenberger 观测器等）具有鲁棒性，只要其误差有界。

总结：
这篇论文提出了一种鲁棒的输出反馈控制框架，通过结合备用控制屏障函数和不确定性分析，确保了在状态估计不完美和执行器受限的情况下，非线性系统的安全运行。其核心创新在于证明了即使状态未知，只要估计状态在特定的“安全管”内，就能严格保证真实状态的安全，并提供了计算该安全管的解析和数值方法。