复合自适应控制障碍函数把参数估计与安全约束耦合进单一能量函数,在三个仿真中恢复鲁棒方法放弃的安全操作空间
核心概要
本文提出复合自适应控制障碍函数(CaCBF)算法,针对具有线性参数不确定性的非线性控制仿射系统,从由对数安全障碍、控制李雅普诺夫函数和参数误差项组成的复合能量函数推导自适应律,证明安全集前向不变(无需持续激励)、对状态导数测量有界误差鲁棒、所有闭环信号一致最终有界,并证明其容许控制集始终包含鲁棒对应集;在自适应巡航控制、全向机器人避障和平面无人机穿越窄门三个仿真中,CaCBF 在保持严格安全的同时恢复了鲁棒方法让出的性能余量。
深度剖析
构造了统一安全、稳定与估计的复合能量函数 Vc,并直接由它推导参数自适应律,使估计精度与安全裕度直接耦合。 以往自适应 CBF 多采用模块化结构,自适应律(如递推最小二乘或梯度下降)与障碍函数无关,学习只全局降低参数误差;本文把对数障碍势、控制李雅普诺夫函数和二次参数误差项相加,并令更新律严格耗散总能量,使系统接近边界时有效学习率自动优先保障安全所需参数。 推导过程在正文第 3 节给出,从式 (13) 的 Vc 出发经式 (17)–(25) 得到耗散不等式;投影算子满足 ˜θT Γ-1(PΘ(τ)−τ) ≤ 0(Lemma 1),并保证 ˆθ(t) ∈ Θ(Lemma 2)。
证明安全集 C 对所有有界参数前向不变,且不要求持续激励,对任意 κ > 0 成立。 鲁棒方法用最坏情况界维持安全但保守,模块化学习在暂态可能违反约束;本文给出独立于经典定理 1 的安全证明,通过 Vc 有界反证 h(x(t)) > 0,从而在无持续激励时仍保证安全。 Theorem 3 采用有限时间反证,κ 仅出现在有限界 cα + κδmax 中;Remark 5 明确指出前向不变对任意 κ > 0 成立。
证明安全保证对状态导数测量的有界误差无条件鲁棒,且所有闭环信号一致最终有界。 以往方法通常要求噪声足够小或依赖参数收敛;本文的 Theorem 5 对任意有界噪声 ¯w 均保持前向不变,Theorem 4 在显式可计算条件 κ > cα/ε(式 (54))下给出 UUB,Corollary 1 进一步给出 κ > α0λ/(2A²) 的充分界。 Theorem 5 的证明中式 (71) 引入噪声项 cw ≜ 2γθmax c̄F ¯w,并说明不需要 ¯w 足够小;Theorem 4 通过子水平集 Ωs 的前向不变性证明有界性。
证明 CaCBF 的容许控制集始终包含鲁棒 CBF 的容许控制集,量化了保守性的降低。 鲁棒 CBF 用静态最坏情况裕度 σrob 收缩安全控制集,可能使可行解为空;本文证明 Urob(x, θe) ⊆ Uadp(x, ˆθ),即自适应 QP 至少与鲁棒 QP 同样可行,且差距随估计偏离最坏方向而增大。 Theorem 6 给出集合包含关系的代数证明;Remark 13 指出该包含对所有 ˆθ ∈ Θ 成立,是约束几何的结构性质;Example 3 中 R-CBF 因膨胀裕度重叠而完全失败,CaCBF 成功穿越。
启示与展望
该结果面向具有线性参数不确定性、相对度 1 的非线性控制仿射系统,要求已知参数上界 θmax、安全集非空且平衡点位于安全集内部(h(0) > 0),并假设参数在运行时段内为常数。它适用于自适应巡航控制、全向机器人、平面无人机等可用常参数建模的工程系统,为使用任意标称控制器的优化型安全滤波器提供设计路径。对高阶相对度约束,文中通过反步构造扩展障碍函数恢复相对度 1,使定理可直接应用于扩展系统。
自适应律依赖状态导数 ˙x,文中以有限差分近似并说明其误差有界,但采样周期与延迟对收敛速率 σ 的影响需要采样数据分析,属于未来工作;持续激励下参数误差指数收敛,但在有界噪声下只收敛到残差球,精确收敛要求 ¯w = 0。参数为常数的假设在慢时变情形下需通过泄漏修正扩展。当前分析假设安全集固定,多智能体与移动障碍场景下的时变安全集尚待研究。硬件验证——同时存在噪声、延迟与执行器饱和——仍是评估部署就绪性的开放问题。
