Where to Put Safety? Control Barrier Function Placement in Networked Control Systems

📄 arXiv: 2603.29792v1 📥 PDF

作者: Severin Beger, Yuling Chen, Sandra Hirche

分类: eess.SY

发布日期: 2026-03-31

备注: This work has been submitted to the IEEE L-CSS for possible publication

💡 一句话要点

研究网络化控制系统中控制屏障函数的最优部署位置，提升系统安全性和性能

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 控制屏障函数 网络化控制系统 模型预测控制 安全性 扰动容限

📋 核心要点

  1. 现有网络化控制系统缺乏对安全机制部署位置的系统性研究，导致安全性和性能难以兼顾。
  2. 论文提出一种综合考虑局部CBF和预测CBF的混合架构，旨在平衡系统对扰动的容忍度和整体性能。
  3. 通过仿真实验验证了所提出的混合架构在平面三自由度机器人避碰任务中的有效性，展示了其优越性。

📝 摘要（中文）

确保安全行为对于现代自主信息物理系统至关重要。控制屏障函数(CBF)被广泛用于在自主系统中强制执行安全性，但它们在网络化控制架构中的部署位置在很大程度上仍未被探索。本文研究了在网络化控制系统中，在何处实施安全性，该系统通过延迟网络与远程模型预测控制器(MPC)进行通信。我们比较了两种安全策略：i)应用于工厂的局部近视CBF滤波器；ii)嵌入在远程MPC中的预测CBF约束。对于这两种架构，我们推导了状态相关的扰动容限边界，并表明安全位置的选择会引发一个根本性的权衡：局部CBF由于可以访问最新的状态测量，因此提供更高的扰动容限，而MPC-CBF通过预测行为实现更好的性能，但会产生更严格的容许扰动水平。受此启发，我们提出了一种结合预测和局部安全机制的组合架构。理论结果在平面三自由度机器人执行避碰任务的仿真中得到了说明。

🔬 方法详解

问题定义：论文旨在解决网络化控制系统中控制屏障函数（CBF）的最佳部署位置问题。现有方法要么侧重于局部应用CBF以保证安全性，但牺牲了系统性能；要么将CBF集成到远程MPC中，虽然提升了性能，但对扰动的容忍度降低。因此，如何在网络延迟和扰动存在的情况下，找到一个平衡安全性和性能的CBF部署策略是本研究的核心问题。

核心思路：论文的核心思路是结合局部CBF和预测CBF的优点，提出一种混合架构。局部CBF能够快速响应局部扰动，提供更高的扰动容限；而预测CBF则能够利用MPC的预测能力，提前规划安全轨迹，从而提升系统性能。通过合理地结合这两种机制，可以在安全性和性能之间取得更好的平衡。

技术框架：整体架构包含一个远程MPC和一个本地控制器。远程MPC负责生成全局轨迹，其中可以包含预测CBF约束。本地控制器接收来自远程MPC的指令，并应用局部CBF进行安全过滤，以应对未知的局部扰动。该架构包含以下主要模块：1) 远程MPC，负责全局轨迹规划；2) 网络通信模块，模拟网络延迟；3) 本地控制器，执行局部CBF安全过滤；4) 实际物理系统。

关键创新：论文的关键创新在于提出了一个混合CBF架构，该架构能够同时利用局部CBF的快速响应能力和预测CBF的全局规划能力。与现有方法相比，该架构能够更好地平衡安全性和性能，并提供更高的扰动容限。此外，论文还推导了状态相关的扰动容限边界，为CBF参数的选择提供了理论指导。

关键设计：论文的关键设计包括：1) 局部CBF的设计，需要选择合适的CBF函数和控制律，以保证系统的安全性；2) 预测CBF约束的设计，需要考虑网络延迟的影响，并选择合适的预测 horizon；3) 混合架构的协调机制，需要合理分配局部CBF和预测CBF的控制权重，以实现最佳的性能和安全性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，所提出的混合CBF架构在平面三自由度机器人避碰任务中表现出色。与仅使用局部CBF或预测CBF的方案相比，该架构在保证安全性的同时，显著提高了系统的性能，例如更快的轨迹跟踪速度和更小的跟踪误差。具体性能提升数据未知，但论文强调了混合架构在平衡安全性和性能方面的优势。

🎯 应用场景

该研究成果可应用于各种需要安全保障的自主网络化控制系统，例如自动驾驶、无人机集群、机器人协作等。通过合理部署控制屏障函数，可以提高这些系统在复杂环境下的安全性和可靠性，降低事故发生的风险，具有重要的实际应用价值和潜在的社会效益。

📄 摘要（原文）

Ensuring safe behavior is critical for modern autonomous cyber-physical systems. Control barrier functions (CBFs) are widely used to enforce safety in autonomous systems, yet their placement within networked control architectures remains largely unexplored. In this work, we investigate where to enforce safety in a networked control system in which a remote model predictive controller (MPC) communicates with the plant over a delayed network. We compare two safety strategies: i) a local myopic CBF filter applied at the plant and ii) predictive CBF constraints embedded in the remote MPC. For both architectures, we derive state-dependent disturbance tolerance bounds and show that safety placement induces a fundamental trade-off: local CBFs provide higher disturbance tolerance due to access to fresh state measurements, whereas MPC-CBF enables improved performance through anticipatory behavior, but yields stricter admissible disturbance levels. Motivated by this insight, we propose a combined architecture that integrates predictive and local safety mechanisms. The theoretical findings are illustrated in simulations on a planar three-degree-of-freedom robot performing a collision-avoidance task.