DOI: https://doi.org/10.1109/lra.2026.3653366
تاريخ النشر: 2026-01-12
المؤلف: Ersin Daş وآخرون
الموضوع الرئيسي: طرق رسمية في التحقق
نظرة عامة
تتناول هذه الدراسة التحديات التي تطرحها القياسات غير المثالية وتقديرات الحالة في أنظمة التحكم، وخاصة في التطبيقات الحرجة للسلامة حيث تكون المعلومات الدقيقة عن الحالة ضرورية. غالبًا ما تفرض طرق وظيفة حاجز التحكم القوي (R-CBF) الحالية شروط إدخال صارمة يمكن أن تؤدي إلى التحفظ، مما ينتج عنه مشاكل مثل عدم القابلية والجهد المفرط في التحكم. تقدم هذه الدراسة نهجًا منهجيًا لتعزيز R-CBFs، يتميز بنظام تعديل معلمات عبر الإنترنت قائم على التحسين يقلل من التحفظ. من خلال دمج قيود السلامة المتعددة في CBF عددي واحد باستخدام معادلة بواسون، يبسط الأسلوب تحسين المعلمات ويعالج بفعالية مشكلة الدرجة النسبية المزدوجة التي تواجه عادةً تتبع المركبات.
تم التحقق من الطريقة المقترحة من خلال تجارب تجريبية تتضمن روبوتًا متنقلًا متعقبًا يتنقل عبر عقبات متعددة، مما يظهر تحسينات كبيرة في الأداء مقارنةً بصيغ R-CBF التقليدية. تسلط النتائج الضوء على فعالية النهج الجديد في تركيب وحدات تحكم قوية تحافظ على ضمانات السلامة الرسمية في ظل وجود عدم اليقين في تقديرات الحالة، مما يعزز موثوقية مهام تتبع المسار في بيئات معقدة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على الحاجة الملحة للسلامة في التحكم في الروبوتات المستقلة التي تعمل في بيئات معقدة. يتم تقديم وظائف حاجز التحكم (CBFs) كحل يضمن بقاء مجموعة آمنة محددة ثابتة للأمام من خلال تعديل الحد الأدنى لإدخال التحكم الاسمي للحفاظ على السلامة. ومع ذلك، تواجه التطبيقات الواقعية تحديات بسبب عدم اليقين في النماذج مثل الاضطرابات الخارجية وأخطاء تقدير الحالة، خاصة في الأنظمة التي تعتمد على قياس الحركة البصرية والقصور الذاتي (VIO) للتحديد. حاولت الأساليب السابقة لوظائف حاجز التحكم القوي (R-CBFs) معالجة هذه الشكوك، لكنها غالبًا ما تتطلب معرفة محددة بحدود عدم اليقين أو مقدرات الحالة، وهو ما قد لا يكون ممكنًا في جميع السيناريوهات.
تقترح هذه الورقة إطار عمل مبتكر للتحكم الحرج للسلامة يعزز القوة ضد عدم اليقين في تقدير الحالة دون الحاجة إلى معرفة مسبقة بحجم عدم اليقين. بناءً على صياغة R-CBF، يقدم المؤلفون طريقة قائمة على التحسين لضبط المعلمات القوية عبر الإنترنت، مما يسمح بضمانات سلامة تكيفية. يجمع الإطار بين مواصفات السلامة المتعددة في CBF واحد باستخدام وظائف السلامة لبواسون، مما يبسط التعقيد الحسابي لتحسين المعلمات ويسهل توليد مجموعات آمنة من بيانات الإدراك. يتم التحقق من فعالية النهج المقترح من خلال تجارب الأجهزة على روبوت متنقل متعقب، مما يظهر سلامة الاصطدام وسط الشكوك التي قدمها VIO. تم هيكلة الورقة لتقديم المقدمات الضرورية أولاً، تليها طريقة التكيف، والمحاكاة، والملاحظات الختامية.
طرق
في هذا القسم، يوضح المؤلفون التقييم التجريبي لوحدة التحكم الآمنة المقترحة التي تم تنفيذها على روبوت متنقل متعقب، وهو في الأساس GVR-Bot المعدل المشتق من منصة iRobot PackBot 510. تم اختبار تنقل الروبوت في سيناريو حرج للسلامة يتضمن عقبات ثابتة، حيث كان معرضًا للخطر إذا عبر منطقة محددة. تم تنفيذ خوارزميات التحكم على NVIDIA Jetson AGX Orin، مع واجهة مع Intel Atom لترجمة الأوامر، بينما اعتمد إدراك الروبوت على كاميرا عمق Intel RealSense وVectorNav VN-100 للقياسات القصور الذاتي. تم إجراء تقدير الحالة باستخدام Open-VINS، الذي يدمج بيانات IMU والميزات البصرية من خلال مرشح كالمان الموسع، مما يوفر حد عدم يقين متغير زمنيًا عند مستوى ثقة 95%.
تم تقييم أداء أربعة وحدات تحكم مختلفة تحت ظروف متسقة فيما يتعلق بالمجموعة الآمنة، والمسار المرجعي، وهندسة العقبات. أظهر وحدة التحكم R-CBF-QP المعدلة عبر الإنترنت القدرة على الحفاظ على السلامة أثناء اتباع المسار المرجعي عن كثب، محققة زمن تنفيذ خطوة التحكم يبلغ حوالي 13 مللي ثانية، وهو ضمن ميزانية 20 مللي ثانية لدورة تحكم 50 هرتز. في المقابل، أظهرت وحدة التحكم R-CBF-QP ذات الكسب الثابت سلوكًا تحفظيًا، مما أدى إلى كبح مبكر وأخطاء تتبع جانبية أكبر، بينما أظهرت وحدة التحكم R-CBF-QP القابلة للتعديل انتهاكات للسلامة بسبب عدم قدرتها على التكيف مع عدم اليقين المتغير في تقدير الحالة. تشير النتائج إلى أن R-CBF-QP المعدل عبر الإنترنت تفوق على وحدات التحكم الآمنة الأخرى، محققًا أدنى قيمة دالة تكلفة، كما هو ملخص في الجدول II.
مناقشة
في هذا القسم، يناقش المؤلفون تطوير وظائف حاجز التحكم القوي (R-CBFs) التي تتكيف عبر الإنترنت لضمان السلامة في أنظمة التحكم غير الخطية المعتمدة على الحالة تحت عدم اليقين في تقدير الحالة. يستخدم الإطار CBF قوي متغير زمنيًا، يتميز بمعلمات تعتمد على الحالة، للحفاظ على الثبات للأمام لمجموعة آمنة محددة، \( C(t) \). يثبت المؤلفون أنه إذا كان هناك وحدة تحكم تغذية راجعة محلية Lipschitz تلبي شروط R-CBF، فإن النظام يبقى آمنًا ومستقرًا بشكل تقاربي، حتى في وجود أخطاء تقدير الحالة المحدودة. يتم صياغة ذلك من خلال النظرية 1، التي توسع صيغ R-CBF السابقة من خلال دمج مصطلحات القوة المعتمدة على الحالة بشكل صريح، مما يبسط عملية التكيف عبر الإنترنت.
كما يقدم المؤلفون طريقة لتكيف المعلمات عبر الإنترنت لـ R-CBF، والتي تقلل من تضخم المجموعة الآمنة مع ضمان السلامة القوية. من خلال أخذ عينات من النقاط حول تقدير الحالة الحالي، يقتربون من تغيير إدخال التحكم بسبب أخطاء تقدير الحالة ويقومون بتحسين معلمات القوة وفقًا لذلك. يسمح هذا النهج باستراتيجية تحكم أكثر استجابة وكفاءة، خاصة في البيئات الديناميكية حيث يجب تلبية قيود السلامة باستمرار. يتم إثبات فعالية الطريقة المقترحة من خلال المحاكاة التي تتضمن روبوتًا متنقلًا متعقبًا، حيث يتفوق R-CBF-QP على الأساليب التقليدية من خلال تتبع مسار مرجعي عن كثب مع الحفاظ على السلامة، حتى في ظل عدم اليقين.
DOI: https://doi.org/10.1109/lra.2026.3653366
Publication Date: 2026-01-12
Author(s): Ersin Daş et al.
Primary Topic: Formal Methods in Verification
Overview
The research addresses the challenges posed by imperfect measurements and state estimates in control systems, particularly in safety-critical applications where accurate state information is essential. Existing robust control barrier function (R-CBF) methods often impose stringent input conditions that can lead to conservativeness, resulting in issues such as infeasibility and excessive control effort. This study introduces a systematic approach to enhance R-CBFs, featuring an optimization-based online parameter adaptation scheme that mitigates conservativeness. By consolidating multiple safety constraints into a single numerical CBF using Poisson’s equation, the method simplifies parameter optimization and effectively addresses the dual relative degree problem commonly encountered in vehicle tracking.
The proposed method was validated through experimental trials involving a tracked mobile robot navigating multiple obstacles, demonstrating significant performance improvements over traditional R-CBF formulations. The findings highlight the effectiveness of the new approach in synthesizing robust controllers that maintain formal safety guarantees in the presence of state estimation uncertainties, thereby enhancing the reliability of trajectory tracking tasks in complex environments.
Introduction
The introduction of this research paper highlights the critical need for safety in the control of autonomous robots operating in complex environments. Control barrier functions (CBFs) are presented as a solution that ensures a prescribed safe set remains forward invariant by minimally adjusting the nominal control input to maintain safety. However, real-world applications face challenges due to model uncertainties such as external disturbances and state estimation errors, particularly in systems relying on visual-inertial odometry (VIO) for localization. Previous approaches to robust CBFs (R-CBFs) have attempted to address these uncertainties, but often require specific knowledge of uncertainty bounds or state estimators, which may not be feasible in all scenarios.
This paper proposes an innovative safety-critical control framework that enhances robustness against state estimation uncertainty without necessitating prior knowledge of uncertainty magnitudes. Building on the R-CBF formulation, the authors introduce an optimization-based method for the online tuning of robustifying parameters, allowing adaptive guarantees of safety. The framework consolidates multiple safety specifications into a single CBF using Poisson safety functions, which simplifies the computational complexity of parameter optimization and facilitates the generation of safe sets from perception data. The effectiveness of the proposed approach is validated through hardware experiments on a tracked mobile robot, demonstrating collision safety amidst the uncertainties introduced by VIO. The paper is structured to first introduce necessary preliminaries, followed by the adaptation method, simulations, and concluding remarks.
Methods
In this section, the authors detail the experimental evaluation of their proposed safe controller implemented on a tracked mobile robot, specifically a modified GVR-Bot derived from the iRobot PackBot 510 platform. The robot’s navigation was tested in a safety-critical scenario involving static obstacles, where it was at risk of falling if it crossed a designated area. The control algorithms were executed on an NVIDIA Jetson AGX Orin, interfacing with an Intel Atom for command translation, while the robot’s perception relied on an Intel RealSense depth camera and a VectorNav VN-100 for inertial measurements. State estimation was performed using Open-VINS, which integrates IMU data and visual features through an extended Kalman filter, providing a time-varying uncertainty bound at a 95% confidence interval.
The performance of four different controllers was assessed under consistent conditions with respect to the safe set, reference path, and obstacle geometry. The online-adapted R-CBF-QP controller demonstrated the ability to maintain safety while closely following the reference path, achieving a control step execution time of approximately 13 ms, well within the 20 ms budget for a 50 Hz control loop. In contrast, the fixed-gain R-CBF-QP showed conservative behavior, resulting in earlier braking and larger lateral tracking errors, while the tunable R-CBF-QP exhibited safety violations due to its inability to adapt to time-varying state estimation uncertainties. The results indicate that the online adaptive R-CBF-QP outperformed other safe controllers, achieving the lowest cost function value, as summarized in Table II.
Discussion
In this section, the authors discuss the development of robust Control Barrier Functions (R-CBFs) that adapt online to ensure safety in nonlinear control-affine systems under state estimation uncertainty. The framework utilizes a time-varying robust CBF, characterized by state-dependent parameters, to maintain forward invariance of a defined safe set, \( C(t) \). The authors establish that if a locally Lipschitz feedback controller satisfies the R-CBF conditions, the system remains safe and asymptotically stable, even in the presence of bounded state estimation errors. This is formalized through Theorem 1, which extends previous R-CBF formulations by incorporating explicit state-dependent robustness terms, thereby simplifying the online adaptation process.
The authors also introduce an online parameter adaptation method for the R-CBF, which minimizes the inflation of the safe set while ensuring robust safety. By sampling points around the current state estimate, they approximate the variation of the control input due to state estimation errors and optimize the robustness parameters accordingly. This approach allows for a more responsive and efficient control strategy, particularly in dynamic environments where safety constraints must be continuously satisfied. The effectiveness of the proposed method is demonstrated through simulations involving a tracked mobile robot, where the R-CBF-QP outperforms traditional methods by closely tracking a reference trajectory while maintaining safety, even under uncertainty.