SafeFlowMatcher: Safe and Fast Planning using Flow Matching with Control Barrier Functions

📄 arXiv: 2509.24243v2 📥 PDF

作者: Jeongyong Yang, Seunghwan Jang, SooJean Han

分类: cs.RO, cs.AI

发布日期: 2025-09-29 (更新: 2025-10-06)

备注: 10 pages, 7 figures, 4 tables

💡 一句话要点

SafeFlowMatcher：结合流匹配与控制障碍函数的安全快速规划框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 流匹配 控制障碍函数 安全规划 路径规划 机器人导航

📋 核心要点

  1. 基于流匹配的生成式规划器速度快，但缺乏形式化的安全保证，且在约束附近可能产生不完整的路径。
  2. SafeFlowMatcher将流匹配与控制障碍函数结合，通过预测-校正积分器，在保证安全性的前提下，实现高效的路径规划。
  3. 实验表明，SafeFlowMatcher在迷宫导航和运动控制任务中，相比于其他方法，能够生成更快、更平滑、更安全的路径。

📝 摘要（中文）

本文提出SafeFlowMatcher，一个将流匹配(FM)与控制障碍函数(CBF)相结合的规划框架，旨在实现实时效率和认证安全性。SafeFlowMatcher采用两阶段预测-校正(PC)积分器：(i)预测阶段，通过一次（或少量步数）积分学习到的FM来获得候选路径，不进行干预；(ii)校正阶段，利用消失时间尺度的向量场和基于CBF的二次规划来细化该路径，以最小程度扰动向量场。论文证明了所得流系统的障碍证书，建立了鲁棒安全集的前向不变性和有限时间收敛到安全集。通过仅在执行的路径上（而不是在所有中间潜在路径上）强制执行安全性，SafeFlowMatcher避免了分布漂移并减轻了局部陷阱问题。在迷宫导航和运动基准测试中，SafeFlowMatcher获得了比基于扩散和FM的基线更快、更平滑和更安全的路径。大量的消融实验证实了PC积分器和障碍证书的贡献。

🔬 方法详解

问题定义：论文旨在解决基于流匹配的生成式规划器在路径规划中缺乏安全保证的问题。现有方法虽然速度快，但无法确保规划的路径始终保持在安全区域内，尤其是在存在约束条件的情况下，容易产生不完整或不安全的路径。

核心思路：论文的核心思路是将流匹配（Flow Matching, FM）与控制障碍函数（Control Barrier Functions, CBF）相结合。FM负责生成高效的候选路径，而CBF则用于在必要时对路径进行校正，确保路径的安全性。这种结合利用了FM的速度优势和CBF的安全保证，从而实现安全且快速的规划。

技术框架：SafeFlowMatcher采用两阶段的预测-校正（Prediction-Correction, PC）积分器。首先，在预测阶段，使用学习到的FM模型进行一次或少量步数的积分，生成一个初始的候选路径。然后，在校正阶段，利用一个消失时间尺度的向量场和一个基于CBF的二次规划（Quadratic Program, QP）来对候选路径进行细化，以最小的扰动来确保路径满足安全约束。

关键创新：该方法最重要的创新在于将FM和CBF有效地结合，并设计了预测-校正积分器。与直接在FM的训练过程中强制执行安全约束不同，SafeFlowMatcher仅在执行的路径上进行安全校正，避免了分布漂移的问题，并减轻了局部陷阱。此外，论文还提出了一个障碍证书，用于证明所提出的流系统的安全性。

关键设计：关键设计包括：（1）预测阶段使用的流匹配模型的具体结构和训练方法（论文中可能未详细说明，需要参考相关FM文献）；（2）校正阶段中消失时间尺度的向量场的选择，以及基于CBF的二次规划的具体形式，包括目标函数和约束条件；（3）障碍证书的构造和证明过程，用于保证系统的安全性。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，SafeFlowMatcher在迷宫导航和运动控制任务中，相比于基于扩散和FM的基线方法，能够生成更快、更平滑、更安全的路径。具体的性能数据（如路径长度、规划时间、碰撞次数等）需要在论文中查找。消融实验也验证了PC积分器和障碍证书的有效性，证明了它们对整体性能的贡献。

🎯 应用场景

SafeFlowMatcher具有广泛的应用前景，例如自动驾驶、机器人导航、运动规划等领域。在这些场景中，安全性和实时性至关重要。该方法能够保证规划的路径始终在安全范围内，避免碰撞等危险情况，同时保持较高的规划速度，满足实时性要求。未来，该方法可以进一步扩展到更复杂的环境和任务中，例如动态环境下的路径规划、多智能体协同等。

📄 摘要（原文）

Generative planners based on flow matching (FM) can produce high-quality paths in one or a few ODE steps, but their sampling dynamics offer no formal safety guarantees and can yield incomplete paths near constraints. We present SafeFlowMatcher, a planning framework that couples FM with control barrier functions (CBFs) to achieve both real-time efficiency and certified safety. SafeFlowMatcher uses a two-phase prediction-correction (PC) integrator: (i) a prediction phase integrates the learned FM once (or a few steps) to obtain a candidate path without intervention; (ii) a correction phase refines this path with a vanishing time-scaled vector field and a CBF-based quadratic program that minimally perturbs the vector field. We prove a barrier certificate for the resulting flow system, establishing forward invariance of a robust safe set and finite-time convergence to the safe set. By enforcing safety only on the executed path (rather than on all intermediate latent paths), SafeFlowMatcher avoids distributional drift and mitigates local trap problems. Across maze navigation and locomotion benchmarks, SafeFlowMatcher attains faster, smoother, and safer paths than diffusion- and FM-based baselines. Extensive ablations corroborate the contributions of the PC integrator and the barrier certificate.