[论文解读] Learning Hybrid Control Barrier Functions from Data

Lars Lindemann, Haimin Hu+5 more|arXiv (Cornell University)|Jan 1, 2020

Anomaly Detection Techniques and Applications被引用 3

一句话总结

本文提出一种基于优化的框架，从数据中学习混合控制屏障函数，以确保已知动力学的混合系统中的安全性。通过识别可行性所需的充分数据条件，该方法保证所学习的控制律具有可证明的安全性，在钟摆式步行者仿真中得到验证。

ABSTRACT

Motivated by the lack of systematic tools to obtain safe control laws for hybrid systems, we propose an optimization-based framework for learning certifiably safe control laws from data. In particular, we assume a setting in which the system dynamics are known and in which data exhibiting safe system behavior is available. We propose hybrid control barrier functions for hybrid systems as a means to synthesize safe control inputs. Based on this notion, we present an optimization-based framework to learn such hybrid control barrier functions from data. Importantly, we identify sufficient conditions on the data such that feasibility of the optimization problem ensures correctness of the learned hybrid control barrier functions, and hence the safety of the system. We illustrate our findings in two simulations studies, including a compass gait walker.

研究动机与目标

• 解决在混合系统中缺乏系统化工具以推导安全控制律的问题。
• 开发一种数据驱动框架，利用已知系统动力学和观测到的安全行为，合成安全的控制输入。
• 通过充分的数据条件，确保所学习的混合控制屏障函数的正确性。
• 为从数据中推导出的控制律提供可验证的安全保证。

提出的方法

• 将混合控制屏障函数形式化为一种在具有离散和连续动力学的混合系统中强制执行安全性的手段。
• 设计一种优化框架，从表现出安全系统行为的数据中学习这些屏障函数。
• 识别出优化可行性可保证所学习屏障函数正确性的充分数据条件。
• 利用已知的系统动力学约束学习过程，以确保安全认证。
• 将该框架应用于模拟混合系统，包括钟摆式步行者，以验证安全保证。

实验结果

研究问题

• RQ1 如何从数据中学习混合控制屏障函数，同时确保安全性？
• RQ2 哪些数据条件足以保证所学习屏障函数的正确性？
• RQ3 基于优化的框架能否合成可证明安全的控制律用于混合系统？
• RQ4 所提出的方法如何在同时具有连续和离散动力学的系统中确保安全性？

主要发现

• 当满足可行性条件时，优化框架能够从数据中学习到保证系统安全的混合控制屏障函数。
• 识别出在优化问题可行时可确保所学习屏障函数正确性的充分数据条件。
• 该方法在钟摆式步行者仿真中成功确保了安全性，证明了其在复杂混合系统中的适用性。
• 该框架为具有已知动力学的混合系统提供了系统化、可验证的数据驱动安全控制合成方法。