[論文レビュー] Learning-Based Safety-Stability-Driven Control for Safety-Critical Systems under Model Uncertainties

Lei Zheng, Jiesen Pan+3 more|arXiv (Cornell University)|Aug 8, 2020

Advanced Control Systems Optimization参考文献 20被引用数 4

ひとこと要約

本稿では、モデルの不確実性が存在する非線形な安全至上主義系に対して、学習ベースの安全・安定性駆動制御（LBSC）フレームワークを提案する。ガウス過程（GPs）を用いてモデル誤差の不確実性バインディングをオンラインで推定することで、安全を制御バリア関数（CBFs）で、追従の安定性を制御ラプラシアン関数（CLFs）で、入力制約を同時に満たす二次計画問題（QP）を定式化し、連結クルーズコントロールのシミュレーションにおいて、安全で高速かつ高精度なリアルタイム制御を実現した。安全保証と追従精度の向上が図られた。

ABSTRACT

Safety and tracking stability are crucial for safety-critical systems such as self-driving cars, autonomous mobile robots, industrial manipulators. To efficiently control safety-critical systems to ensure their safety and achieve tracking stability, accurate system dynamic models are usually required. However, accurate system models are not always available in practice. In this paper, a learning-based safety-stability-driven control (LBSC) algorithm is presented to guarantee the safety and tracking stability for nonlinear safety-critical systems subject to control input constraints under model uncertainties. Gaussian Processes (GPs) are employed to learn the model error between the nominal model and the actual system dynamics, and the estimated mean and variance of the model error are used to quantify a high-confidence uncertainty bound. Using this estimated uncertainty bound, a safety barrier constraint is devised to ensure safety, and a stability constraint is developed to achieve rapid and accurate tracking. Then the proposed LBSC method is formulated as a quadratic program incorporating the safety barrier, the stability constraint, and the control constraints. The effectiveness of the LBSC method is illustrated on the safety-critical connected cruise control (CCC) system simulator under model uncertainties.

研究の動機と目的

• 正確なシステムモデルが利用できない状況において、安全至上主義系の安全と追従安定性を維持する課題に対処すること。
• モデルの不確実性と制御入力制約のもとで、安全保証と高性能追従のトレードオフを調整すること。
• オンラインでの不確実性推定を用いて、未知のシステムダイナミクスに動的に適応する学習ベースの制御フレームワークを開発すること。
• 安全が侵害されない状態を保ちながら、不確実な環境下でも迅速かつ正確な追従性能を維持すること。
• 非線形系に適用可能な安全・安定性制御のリアルタイム実装を可能にすること。

提案手法

• ガウス過程（GPs）を用いて、ノーマルシステムモデルと実際のシステムダイナミクスとの間のモデル誤差をリアルタイムで学習・推定する。
• GPsが予測する平均値と分散を用いて、モデル誤差の高信頼性な不確実性バインディング（D）を構築する。
• 推定された不確実性バインディングに基づいて、ゼロイング制御バリア関数（ZCBFs）を用いて安全バリア制約を導出する。
• 制御ラプラシアン関数（CLFs）を用いて安定性制約を定式化し、迅速かつ正確な追従性能を達成する。
• 安全バリア、安定性制約、制御入力制約を統合した制約付き二次計画問題（QP）としてLBSCコントローラーを定式化する。
• QPは50 Hzでオンラインで解かれ、1ステップあたり平均2.45 msの解法時間で、リアルタイム制御が可能である。

実験結果

リサーチクエスチョン

• RQ1 非線形な安全至上主義系において、モデルの不確実性が存在する状況で、安全と追従安定性を同時に保証する方法は何か？
• RQ2 ガウス過程は、制御応用において、モデル誤差の不確実性バインディングをリアルタイムで効果的に推定できるか？
• RQ3 安全と高性能追従のトレードオフが生じた場合、そのバランスを動的に解消する方法は何か？
• RQ4 GPsによる不確実性推定とCBF-CLF-QP定式化を統合した学習ベースの制御フレームワークの性能は何か？
• RQ5 提案手法は、不確実な動的環境下で、安全保証と向上した追従精度を伴うリアルタイム制御を達成できるか？

主な発見

• すべてのシミュレーションフェーズにおいて、自律走行車両とその先行車両との間の空間的間隔（ヘッドウェイ）が、安全範囲（25–100メートル）内に維持された。急な減速時でも同様であった。
• 車両加速度におけるモデル誤差は、GPsが推定した高信頼性不確実性バインディング内に一貫して収まっており、GPsによる不確実性推定の正確性が裏付けられた。
• すべてのフェーズにおいて、LBSCはGPAS法よりも望ましい速度（20 m/s）への収束が速く、平均絶対誤差（MAE）も低かった。
• フェーズ2では先行車両が急減速したが、LBSCは安全を最優先に処理し、MAEは高くなったが、安全制約を厳密に守った。これに対して、LBSC-Nバージョンは安全制約に違反した。
• LBSCコントローラーは、GPAS法よりも滑らかな制御入力（ホイールフォース）と速度プロファイルを生成し、制御のロバストネスが向上していることが示された。
• QPの平均解法時間は2.45 msであり、1ステップあたりの総制御遅延は9.8 msであった。これにより、50 Hzの制御周波数でリアルタイム動作が可能となった。