Incremental Bayesian Learning for Fail-Operational Control in Autonomous Driving

本文提出了一种实时失效操作控制器，可以确保不确定的自主车辆（EV）渐进式地收敛到安全状态，并在动态环境中保持任务效率，从而解决了周围车辆（SVs）的突然机动可能导致的安全问题和模型不确定性的影响。该方法采用增量贝叶斯学习方法，以便于在线学习和推断环境扰动的变化。通过扰动量化和约束转换，我们开发了基于控制障碍函数（CBF）的随机失效操作障碍，使得不确定的EV能够从不安全状态渐进地收敛到定义的安全状态，并具有概率稳定性。随后，将随机失效操作障碍集成到基于二次规划（QP）的高效失效操作控制器中。该控制器针对存在环境扰动的控制约束下运行的EV进行了优化，考虑到安全和效率两个目标。我们在连接巡航控制（CCC）任务中验证了所提出的框架，其中SVs执行激进的驾驶机动。仿真结果表明，即使在时变环境扰动下，我们的方法也可以使EV在实时环境中快速返回到安全状态，同时保持任务效率。

论文旨在解决在动态环境下，由于环境扰动引起的模型不确定性和周围车辆的突然变化，导致自动驾驶汽车的安全问题和任务效率问题。

论文提出了一种基于控制障碍函数（CBF）的随机失效操作控制器，通过增量贝叶斯学习方法进行在线学习和推断，以适应环境扰动的变化。该控制器能够使不确定的自动驾驶汽车从不安全状态渐进地收敛到安全状态，并保持任务效率。

论文采用了基于贝叶斯学习的增量学习方法，以适应环境扰动的变化；提出了基于控制障碍函数的随机失效操作控制器，使汽车能够在动态环境中快速返回安全状态；在连接式巡航控制任务中进行了验证，证明了该方法能够在实时情况下保证安全性和任务效率。

近期的相关研究包括： 1. 'A Control Barrier Function Approach to Safe Reinforcement Learning'； 2. 'Robust control barrier functions for safety critical systems'； 3. 'A Barrier Certificate Approach to Safety and Stability of Switched Systems'。