A Data-driven Method for Safety-critical Control: Designing Control Barrier Functions from State Constraints

要約

この論文では、ロボットを含む自律システムの安全性を確保するために、明示的なハード制約をコントロール バリア ファンクション (CBF) フレームワークに統合するという課題について取り上げます。
我々は、実際のシナリオでこれらの厳しい制約から CBF を導出する新しいデータ駆動型の方法を提案します。
私たちのアプローチでは、前方不変セーフ セットがサブセットであるか、制約付きセットと等しいことを前提としています。
このプロセスは 2 つの主要なステップで構成されます。
まず、制約境界内の状態をランダムにサンプリングし、ハード制約の時間導関数基準を満たす入力を特定します。
この反復プロセスは、Jaccard インデックスを使用して収束します。
次に、サンプリングされた境界を使用して安全セットを囲む CBF を定式化します。
これにより、達成可能な制御不変性の最大レベルに近づく、制御不変の安全セットの作成が可能になります。
したがって、このアプローチは、制約された制御入力空間を持つ複雑な自律システムによってもたらされる複雑さに対処し、最大制御不変集合に非常に近い制御不変安全集合を実現します。

要約(オリジナル)

This paper addresses the challenge of integrating explicit hard constraints into the control barrier function (CBF) framework for ensuring safety in autonomous systems, including robots. We propose a novel data-driven method to derive CBFs from these hard constraints in practical scenarios. Our approach assumes that the forward invariant safe set is either a subset or equal to the constrained set. The process consists of two main steps. First, we randomly sample states within the constraint boundaries and identify inputs meeting the time derivative criteria of the hard constraint; this iterative process converges using the Jaccard index. Next, we formulate CBFs that enclose the safe set using the sampled boundaries. This enables the creation of a control-invariant safe set, approaching the maximum attainable level of control invariance. This approach, therefore, addresses the complexities posed by complex autonomous systems with constrained control input spaces, culminating in a control-invariant safe set that closely approximates the maximal control invariant set.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google