Learning for Layered Safety-Critical Control with Predictive Control Barrier Functions

要約

コントロール バリア機能 (CBF) を活用した安全フィルターは、複雑なシステムで安全な動作を強制するのに非常に効果的です。
多くの場合、低次数モデル (RoM) の CBF を合成し、その結果生じる安全な動作を全次数モデル (FoM) で追跡する方が簡単ですが、RoM ​​と FoM の間にギャップがあると安全性違反が発生する可能性があります。
この論文では、RoM ​​CBF 条件に追加される予測ロバストネス項を定義する FoM のロールアウトを活用することで、このギャップに対処する \emph{予測 CBF} を紹介します。
理論的には、これにより階層化された制御の実装における安全性が保証されることが証明されています。
実際には、ドメインのランダム化を伴う大規模な並列シミュレーションを通じて、予測ロバストネス項を学習します。
これにより最小限の保守性で安全な FoM 動作が得られることをシミュレーションで実証し、3D ホッピング ロボットで予測 CBF を実験的に実現します。

要約(オリジナル)

Safety filters leveraging control barrier functions (CBFs) are highly effective for enforcing safe behavior on complex systems. It is often easier to synthesize CBFs for a Reduced order Model (RoM), and track the resulting safe behavior on the Full order Model (FoM) — yet gaps between the RoM and FoM can result in safety violations. This paper introduces \emph{predictive CBFs} to address this gap by leveraging rollouts of the FoM to define a predictive robustness term added to the RoM CBF condition. Theoretically, we prove that this guarantees safety in a layered control implementation. Practically, we learn the predictive robustness term through massive parallel simulation with domain randomization. We demonstrate in simulation that this yields safe FoM behavior with minimal conservatism, and experimentally realize predictive CBFs on a 3D hopping robot.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google