Learning Local Control Barrier Functions for Hybrid Systems

要約

実際のロボット応用には連続状態と離散スイッチングの両方が含まれることが多いため、ハイブリッド動的システムは至る所で使用されています。
安全性はハイブリッド ロボット システムにとって最大の関心事です。
ハイブリッド システム向けの既存のセーフティ クリティカルな制御アプローチは、計算効率が悪く、システム パフォーマンスに悪影響を与えるか、小規模システムに限定されています。
これらの欠点を修正するために、この論文では、広範なクラスの非線形ハイブリッド動的システムの安全性を保証するローカル制御バリア関数 (CBF) を構築する学習可能なアプローチを提案します。
最終的には、安全なニューラル CBF ベースのスイッチング コントローラーが完成します。
私たちのアプローチは計算効率が高く、あらゆるリファレンス コントローラーへの侵襲性が最小限に抑えられ、大規模システムにも適用できます。
私たちはフレームワークを経験的に評価し、他の CBF ベースのアプローチやモデル予測制御と比較して、高次元の自律レーシング ケースを含む 2 つのロボットの例を通じてその有効性と柔軟性を実証します。

要約(オリジナル)

Hybrid dynamical systems are ubiquitous as practical robotic applications often involve both continuous states and discrete switchings. Safety is a primary concern for hybrid robotic systems. Existing safety-critical control approaches for hybrid systems are either computationally inefficient, detrimental to system performance, or limited to small-scale systems. To amend these drawbacks, in this paper, we propose a learning-enabled approach to construct local Control Barrier Functions (CBFs) to guarantee the safety of a wide class of nonlinear hybrid dynamical systems. The end result is a safe neural CBF-based switching controller. Our approach is computationally efficient, minimally invasive to any reference controller, and applicable to large-scale systems. We empirically evaluate our framework and demonstrate its efficacy and flexibility through two robotic examples including a high-dimensional autonomous racing case, against other CBF-based approaches and model predictive control.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google