[论文解读] 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 4

一句话总结

本文提出了一种基于学习的安全-稳定性驱动控制（LBSC）框架，用于在模型不确定性下对非线性安全关键系统进行控制。通过使用高斯过程（GPs）在线估计模型误差的不确定性边界，LBSC 构建了一个二次规划（QP），联合实现基于控制障碍函数（CBFs）的安全性、基于控制李雅普诺夫函数（CLFs）的跟踪稳定性以及输入约束，从而在连通自适应巡航控制仿真中实现了实时、安全且高性能的控制，且保证了安全性并提升了跟踪精度。

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.

研究动机与目标

• 为解决在缺乏精确系统模型的情况下，安全关键系统中保持安全与跟踪稳定性的问题。
• 在模型不确定性与控制输入约束下，调和安全性保证与高性能跟踪之间的权衡。
• 开发一种基于学习的控制框架，通过在线不确定性估计动态适应未知系统动态。
• 在不确定环境中确保安全性永不被违反，同时保持快速且精确的跟踪性能。
• 实现非线性系统在不确定动态下安全-稳定性控制的实时应用。

提出的方法

• 使用高斯过程（GPs）实时学习并估计名义系统模型与实际系统动态之间的模型误差。
• 利用 GPs 的预测均值与方差构建模型误差的高置信度不确定性边界（D）。
• 基于估计的不确定性边界，利用零化控制障碍函数（ZCBFs）推导出安全性约束，以确保安全性。
• 利用控制李雅普诺夫函数（CLFs）制定稳定性约束，以实现快速且精确的跟踪性能。
• 将 LBSC 控制器表述为一个融合安全性障碍、稳定性约束与控制输入约束的约束二次规划（QP）。
• QP 在 50 Hz 频率下在线求解，每步平均求解时间为 2.45 ms，实现实时控制。

实验结果

研究问题

• RQ1 在模型不确定性下，如何同时保证非线性安全关键系统的安全性和跟踪稳定性？
• RQ2 高斯过程能否在实时控制应用中有效估计模型误差的不确定性边界？
• RQ3 当安全与高性能跟踪发生冲突时，如何动态调和两者之间的权衡？
• RQ4 集成 GP 不确定性估计与 CBF-CLF-QP 框架的学习型控制框架的性能如何？
• RQ5 所提方法是否能在不确定动态环境中实现具有安全性保证的实时控制并提升跟踪精度？

主要发现

• 在所有仿真阶段，LBSC 方法成功将自动驾驶车辆与其前车之间的空间头距保持在 25 至 100 米的安全范围内，即使在突然减速情况下也未偏离。
• 车辆加速度中的模型误差始终处于 GPs 估计的高置信度不确定性边界内，验证了基于 GP 的不确定性估计的准确性。
• 在所有阶段，LBSC 控制器比 GPAS 方法更快收敛至目标速度（20 m/s），且跟踪均方误差（MAE）更低。
• 在阶段 2（前车紧急减速）中，LBSC 方法优先考虑安全性，导致 MAE 较高但严格遵守了安全约束，而 LBSC-N 变体则违反了安全约束。
• 与 GPAS 方法相比，LBSC 控制器生成了更平滑的控制输入（轮缘力）与速度轨迹，表明控制鲁棒性得到提升。
• QP 的平均求解时间为 2.45 ms，每步总控制延迟为 9.8 ms，支持 50 Hz 控制频率下的实时运行。