Learning Safe Control for Multi-Robot Systems: Methods, Verification, and Open Challenges

在这项调查中，我们回顾了机器人多智能体系统（MAS）控制设计方法的最新进展，重点关注带有安全考虑的基于学习的方法。我们首先回顾了各种安全和活性属性的概念，以及用于MAS问题建模的建模框架。然后，我们全面回顾了用于多机器人系统安全控制设计的基于学习的方法。我们从各种基于屏蔽的方法开始，例如安全证书、预测滤波器和可达性工具。然后，我们回顾了集中式和分布式控制障碍证书学习的当前状态，接着全面回顾了重点关注安全的多智能体强化学习的最新状态。接下来，我们讨论了用于验证基于学习的方法正确性的最新工具。基于目前MAS学习和验证方法的能力和局限性，我们确定了各种广泛的挑战主题：如何设计可以实现良好性能和安全保障的方法；如何将基于单智能体的集中式方法分解为MAS；如何考虑与通信相关的实际问题；以及如何评估理论保证的转化到实践。

论文旨在回顾学习为基础的安全控制设计方法在多机器人系统中的应用，重点关注安全性考虑。论文试图解决如何在多机器人系统中实现安全控制设计的问题。

论文提出了多种基于学习的安全控制设计方法，包括基于屏蔽的方法、控制障碍证明学习方法和多智能体强化学习方法，并对这些方法进行了综合评估和比较。

论文对多种学习为基础的安全控制设计方法进行了全面的回顾和比较，同时讨论了这些方法的局限性和挑战。实验使用了多种数据集和场景，并提供了开源代码。值得进一步研究的方向包括如何在多机器人系统中实现高性能和安全性的平衡、如何将单机器人的中心化方法应用到多机器人系统中、如何解决通信相关的实际问题以及如何评估理论保证在实践中的可行性。

最近的相关研究包括： 1. 'Safe Reinforcement Learning for Control with Probabilistic Safety Guarantees'（Jiang et al., 2020） 2. 'Robust Decentralized Control for Multi-Agent Systems via Online Learning'（Li et al., 2020） 3. 'Learning-Based Control of Multi-Agent Systems: A Review and Future Directions'（Chen et al., 2020）