[논문 리뷰] Response-Aware Risk-Constrained Control Barrier Function With Application to Vehicles

Qijun Liao, Jue Yang|arXiv (Cornell University)|2026. 03. 13.

Vehicle Dynamics and Control Systems인용 수 0

한 줄 요약

본 논문은 모델 불일치와 온라인 불확실성을 다루는 차량용 CVaR 기반 응답 인식 안전 프레임워크 R²CBF를 제시하며, 확률적 안전 보장을 갖는 CLF-R²CBF-SOCP 컨트롤러를 생성한다.

ABSTRACT

This paper proposes a unified control framework based on Response-Aware Risk-Constrained Control Barrier Function for dynamic safety boundary control of vehicles. Addressing the problem of physical model parameter mismatch, the framework constructs an uncertainty propagation model that fuses nominal dynamics priors with direct vehicle body responses. Utilizing simplified single-track dynamics to provide a baseline direction for control gradients and covering model deviations through statistical analysis of body response signals, the framework eliminates the dependence on accurate online estimation of road surface adhesion coefficients. By introducing Conditional Value at Risk (CVaR) theory, the framework reformulates traditional deterministic safety constraints into probabilistic constraints on the tail risk of barrier function derivatives. Combined with a Bayesian online learning mechanism based on inverse Wishart priors, it identifies environmental noise covariance in real-time, adaptively tuning safety margins to reduce performance loss under prior parameter mismatch. Finally, based on Control Lyapunov Function (CLF), a unified Second-Order Cone Programming (SOCP) controller is constructed. Theoretical analysis establishes convergence of Sequential Convex Programming to local Karush-Kuhn-Tucker points and provides per-step probabilistic safety bounds. High-fidelity dynamics simulations demonstrate that under extreme conditions, the method not only eliminates the output divergence phenomenon of traditional methods but also achieves Pareto improvement in both safety and tracking performance. For the chosen risk level, the per-step safety violation probability is theoretically bounded by approximately 2%, validated through high-fidelity simulations showing zero boundary violations across all tested scenarios.

연구 동기 및 목표

• 비정형 도로에서 작동하는 다축 차량의 상당한 모델-환경 불일치 하에서 안전성을 동기화하고 해결한다.
• 공용 모델 가이드라인과 데이터 기반 응답 분포를 결합하여 강력한 안전 경계를 갖는 통합 프레임워크를 개발한다.
• 실시간으로 안전 여장을 조정하기 위해 CVaR 꼬리 위험 제약과 베이지안 온라인 학습을 통합한다.
• 다중 목적 간의 충돌을 해결하면서 확률적 안전을 보장하는 CLF-R²CBF-SOCP 컨트롤러를 구성한다.

제안 방법

• nominal 다축 단일 궤도 역학과 데이터 기반 차체 응답 분포를 융합한 하이브리드 불확실성 모델을 제시한다.
• CVaR을 사용하여 결정론적 안전 제약을 차단 함수 도함수의 꼬리 위험 제약으로 변환한다.
• 예측 잔차로부터 환경 잡음 공분산을 온라인으로 추정하기 위해 역위시트 분포(Bayesian 업데이트)를 적용한다.
• CLF 추적, R²CBF 안전성 및 구동기 제약을 통합하는 2차 원뿔 프로그램(SOCP) 형식을 도출한다.
• CVaR 분석에 기반한 유한 수평의 확률적 안전 보장과 매단계 안전 경계를 제공한다.

실험 결과

연구 질문

• RQ1 비정형 도로에서 명목 모델이 실제 차체 응답과 어긋날 때 차량 제어의 안전 경계를 어떻게 유지할 수 있는가?
• RQ2 다축 차량 제어에서 지나치게 보수적이지 않으면서 CVaR 기반 꼬리 위험 제약이 신뢰할 수 있는 안전 보장을 제공할 수 있는가?
• RQ3 환경 잡음의 온라인 베이지안 업데이트가 매개 변수 불일치 하에서 안전 여유를 개선하고 성능 손실을 줄이는가?
• RQ4 추적 성능과 동적 안전성 사이에서 Pareto 개선을 달성하는 통합 CLF-R²CBF-SOCP 컨트롤러가 있는가?

주요 결과

• 선택된 위험 수준 beta_risk = 0.05에서 매단계 안전 위반 확률은 이론적으로 약 2%로 제한된다.
• 고정밀 시뮬레이션에서 제안 방법으로 테스트 시나리오 전반에 걸쳐 경계 위반이 0으로 나타났다.
• 이 프레임워크는 극한 조건에서 전통적 방법에서 관찰된 출력 발산을 제거하고 안전성과 추적에서 Pareto 개선을 달성한다.
• 차단 도함수에 대한 CVaR 기반 CVaR 제약은 과도한 보수성 없이 확률적 안전 보장을 제공한다.
• 잡음 공분산의 온라인 베이지안 업데이트가 안전 여유를 적응시키고 이전 매개 변수 불일치로 인한 성능 손실을 줄인다.