Minimizing Conservatism in Safety-Critical Control for Input-Delayed Systems via Adaptive Delay Estimation

📄 arXiv: 2411.17277v2 📥 PDF

作者: Yitaek Kim, Ersin Das, Jeeseop Kim, Aaron D. Ames, Joel W. Burdick, Christoffer Sloth

分类: eess.SY

发布日期: 2024-11-26 (更新: 2025-11-19)

备注: This paper was accepted to ECC 2025

💡 一句话要点

提出一种自适应延迟估计方法，最小化输入延迟系统安全控制中的保守性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 延迟估计 安全控制 控制屏障函数 自适应控制 非线性规划

📋 核心要点

  1. 输入延迟会影响远程操作和无线自主互联车辆等系统，可能导致安全违规，因此需要解决。
  2. 通过减小最大延迟估计误差界，使得状态预测误差界单调不增，从而降低延迟自适应控制屏障函数(DaCBFs)的保守性。
  3. 在自动互联卡车应用中验证了该方法的有效性，结果表明该方法能够有效降低DaCBFs的保守性。

📝 摘要（中文）

本文提出了一种在线自适应安全控制框架，旨在降低延迟自适应控制屏障函数(DaCBFs)的保守性，从而提升存在输入延迟的系统的安全性。该方法的核心思想是减小最大延迟估计误差界，使得状态预测误差界单调不增。首先，利用扰动观测器的估计误差界来约束状态预测误差。然后，设计两个非线性规划来更新满足预测误差界的最大延迟估计误差界，并更新DaCBFs中使用的最大状态预测误差界。所提出的方法确保了最大状态预测误差界单调不增，从而降低了DaCBFs的保守性。最后，在自动互联卡车应用中验证了该方法的有效性，结果表明该方法能够有效降低DaCBFs的保守性。

🔬 方法详解

问题定义：论文旨在解决输入延迟系统安全控制中，由于延迟估计不准确导致的控制屏障函数（CBFs）过于保守的问题。现有方法在处理输入延迟时，通常采用固定的最大延迟估计误差界，这会导致状态预测误差界较大，进而使得CBFs设计过于保守，限制了系统的性能。

核心思路：论文的核心思路是通过在线自适应地调整最大延迟估计误差界，从而减小状态预测误差界，降低CBFs的保守性。具体来说，利用扰动观测器估计延迟，并根据扰动观测器的估计误差界来动态更新最大延迟估计误差界，使得状态预测误差界单调不增。

技术框架：该方法包含以下几个主要模块：1) 扰动观测器：用于在线估计输入延迟；2) 延迟估计误差界计算：利用扰动观测器的估计误差界计算当前延迟估计误差界；3) 非线性规划：设计两个非线性规划，分别用于更新最大延迟估计误差界和最大状态预测误差界；4) 延迟自适应控制屏障函数（DaCBFs）：利用更新后的最大状态预测误差界设计DaCBFs，实现安全控制。

关键创新：该方法最重要的创新点在于提出了在线自适应地调整最大延迟估计误差界的方法。与现有方法相比，该方法能够根据实际的延迟估计情况动态调整误差界，从而更准确地预测系统状态，降低CBFs的保守性。

关键设计：关键设计包括：1) 扰动观测器的设计，需要保证其估计误差界能够被准确计算；2) 两个非线性规划的设计，需要保证其能够有效地更新最大延迟估计误差界和最大状态预测误差界，同时满足安全约束；3) DaCBFs的设计，需要充分利用更新后的最大状态预测误差界，实现安全控制。

🖼️ 关键图片

fig_0
fig_1

📊 实验亮点

该论文在自动互联卡车应用中验证了所提出的方法。实验结果表明，与传统的DaCBFs方法相比，该方法能够有效地降低CBFs的保守性，从而提高车辆的行驶速度和效率，同时保证车辆的安全性。具体的性能提升数据在论文中进行了详细的展示。

🎯 应用场景

该研究成果可应用于各种存在输入延迟的安全关键系统中，例如远程操作机器人、无线自主互联车辆、以及其他需要保证安全性的控制系统。通过降低控制器的保守性，可以提高系统的性能和效率，同时确保系统的安全性。未来，该方法可以进一步扩展到处理更复杂的延迟情况，例如时变延迟和随机延迟。

📄 摘要（原文）

Input delays affect systems such as teleoperation and wirelessly autonomous connected vehicles, and may lead to safety violations. One promising way to ensure safety in the presence of delay is to employ control barrier functions (CBFs), and extensions thereof that account for uncertainty: delay adaptive CBFs (DaCBFs). This paper proposes an online adaptive safety control framework for reducing the conservatism of DaCBFs. The main idea is to reduce the maximum delay estimation error bound so that the state prediction error bound is monotonically non-increasing. To this end, we first leverage the estimation error bound of a disturbance observer to bound the state prediction error. Second, we design two nonlinear programs to update the maximum delay estimation error bound satisfying the prediction error bound, and subsequently update the maximum state prediction error bound used in DaCBFs. The proposed method ensures the maximum state prediction error bound is monotonically non-increasing, yielding less conservatism in DaCBFs. We verify the proposed method in an automated connected truck application, showing that the proposed method reduces the conservatism of DaCBFs.