Neural Control Barrier Functions for Safe Navigation

自主机器人导航可能会特别苛刻，尤其是在周围环境未知且机器人安全至关重要的情况下。本文涉及通过数据综合控制屏障函数（CBF）以实现在未知环境中安全导航的方法。提出了一种新的方法，通过仿真联合学习CBF和相应的安全控制器，受状态相关瑞卡蒂方程（SDRE）的启发。CBF用于从任何名义上的、可能不安全的控制器中获取可接受的命令。开发了一种将CBF应用于安全过滤器的方法，无需一致的地图或位置估计。随后，在模拟和实际世界实验中将所得的反应式安全过滤器部署在一个多旋翼平台上，该平台集成了LiDAR传感器。

论文旨在通过数据合成控制屏障函数（CBFs）来实现在未知环境中的安全导航。

使用基于状态相关瑞卡蒂方程（SDRE）的新方法，联合学习CBFs和相应的安全控制器。CBF用于从任何名义上的、可能不安全的控制器中获取可接受的命令。开发了一种将CBF应用于安全过滤器的方法，无需一致的地图或位置估计。最终在多旋翼平台上部署了反应式安全过滤器，同时在模拟和实际实验中集成了LiDAR传感器。

论文提出了一种新的方法来解决在未知环境中的安全导航问题，该方法使用了CBFs和SDRE。实验中使用了LiDAR传感器，并在模拟和实际实验中进行了测试。

最近的相关研究包括“Efficient Synthesis of Control Barrier Functions for Safety-Critical Systems”和“Safe Reinforcement Learning via Shielding”。