[论文解读] Safe Control Algorithms Using Energy Functions: A Unified Framework, Benchmark, and New Directions

Tianhao Wei, Changliu Liu|arXiv (Cornell University)|Aug 5, 2019

Advanced Control Systems Optimization参考文献 10被引用 9

一句话总结

本文提出了一种基于能量函数的统一安全控制框架，证明了势场法、屏障函数法和安全集算法等方法均为该统一公式的特例。该研究设计了一个基准测试，用于在多种机器人系统和人机交互模式下比较安全性与效率，并提出了一种新算法——子水平安全集（SSS），其在安全性、效率和鲁棒性方面均优于现有方法。

ABSTRACT

Safe autonomy is important in many application domains, especially for applications involving interactions with humans. Existing safe control algorithms are similar to one another in the sense that: they all provide control inputs to maintain a low value of an energy function that measures safety. In different methods, the energy function is called a potential function, a safety index, or a barrier function. The connections and relative advantages among these methods remain unclear. This paper introduces a unified framework to derive safe control laws using energy functions. We demonstrate how to integrate existing controllers based on potential field method, safe set algorithm, barrier function method, and sliding mode algorithm into this unified framework. In addition to theoretical comparison, this paper also introduces a benchmark which implements and compares existing methods on a variety of problems with different system dynamics and interaction modes. Based on the comparison results, a new method, called the sublevel safe set algorithm, is derived under the unified framework by optimizing the hyperparameters. The proposed algorithm achieves the best performance in terms of safety and efficiency on the vast majority of benchmark tests.

研究动机与目标

• 将多种安全控制算法（如势场法、屏障函数法、滑模控制法和安全集法）统一于基于标量能量函数φ的单一框架下。
• 开发一个全面的基准测试系统，用于评估在不同系统动力学（如小球、全向车、机械臂）和人机交互模式（被动与主动交互）下的安全控制算法性能。
• 分析在保守参数设置下，安全控制中安全性与效率之间的权衡关系。
• 识别现有方法的局限性（如SSA的过度反应、BFM的过度校正），并据此推导出一种新算法以克服这些缺陷。
• 提出并验证一种新型安全控制算法——子水平安全集（SSS），实现安全性与效率的最优平衡。

提出的方法

• 基于标量能量函数φ构建统一控制律，通过控制输入使φ趋近于负值，从而确保安全区域（φ ≤ 0）的前向不变性。
• 通过调节超参数（如增益缩放和激活阈值），将所有现有方法（PFM、SMA、BFM、SSA）表示为统一框架下的特例。
• 设计一个包含四种机器人系统（小球、全向车、SCARA机械臂、4-DOF机械臂）和两种人机交互模型（被动与主动）的基准测试系统，用于评估在多样化动力学与约束条件下的性能表现。
• 定义三项性能指标：安全性评分（惩罚靠近障碍物的程度）、效率评分（惩罚绕行路径）、混合评分（在不发生碰撞的前提下最大化效率）。
• 通过基准测试比较结果，优化超参数以最小化过度反应（如SSA）和过度校正（如BFM）现象，推导出子水平安全集（SSS）算法。
• 利用李雅普诺夫分析验证安全区域的前向不变性，确保所有方法（包括SSS）均具备理论上的安全保证。

实验结果

研究问题

• RQ1 现有安全控制方法（如势场法、屏障函数法和安全集算法）如何被统一于基于能量函数的单一框架之下？
• RQ2 在不同机器人系统和人机交互模式下，各类方法在安全性、效率和鲁棒性方面的相对优势与劣势分别是什么？
• RQ3 保守参数设置如何影响不同算法中安全性与效率之间的性能权衡？
• RQ4 能否推导出一种新型安全控制算法，融合表现最佳的两种方法（SSA与BFM）的优点，从而全面超越其他方法？
• RQ5 所提出的基准测试在多大程度上能够实现对分析型与非分析型安全控制方法（包括强化学习方法）的公平且全面的评估？

主要发现

• 子水平安全集（SSS）算法在基准测试的大多数测试中表现最优，在四类机器人模型中的三项混合评分中排名第一，表现最佳。
• 在机械臂任务中，SSS的平均混合得分为5.23，显著优于BFM（2.53）、SSA（4.53）和SMA（5.83），在所有测试系统中均取得最佳或第二好的结果。
• SSA与BFM被识别为基准测试中的表现最佳方法：SSA在低安全性场景下表现更优，因其校正频率较低但幅度更大；BFM则在高安全性条件下提供更平滑、更频繁的校正。
• 基准测试揭示，BFM因频繁校正导致在保守参数设置下效率优势减弱，而SSA因校正强度恒定导致过度反应；SSS有效缓解了这两种问题。
• SMA意外地在两项测试中取得最佳混合评分，表明其基于恒定幅值梯度的校正机制在机器人-机器人协作任务中可能具有极高效率。
• 统一框架通过超参数调节成功将PFM、SMA、BFM和SSA均嵌入为特例，证实了这些方法在结构上的相似性，尽管其名称与表达形式各异。