Learning-Based Measurement-Robust Control Barrier Functions for Obstacle Avoidance under State Estimation Error

📄 arXiv: 2608.20467v1 📥 PDF

作者: Nicholas Rober, Yixuan Jia, Jonathan P. How

分类: eess.SY, cs.RO

发布日期: 2026-08-20

备注: 8 Pages, 6 figures

💡 一句话要点

提出测量鲁棒控制障碍函数以解决状态估计误差问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 控制障碍函数 状态估计误差 安全过滤器 障碍物避免 深度学习 鲁棒控制 自动驾驶 机器人导航

📋 核心要点

  1. 现有安全过滤器方法假设状态信息完美，导致在实际应用中面临状态估计误差带来的安全隐患。
  2. 本文提出DMR-CBF和NMR-CBF，通过内优化和学习机制提高对状态估计误差的鲁棒性，增强障碍物避免能力。
  3. 实验结果表明，所提方法在多维空间中有效防止碰撞，相较于其他鲁棒方法表现出更好的安全性和效率。

📝 摘要（中文）

安全过滤器是强制执行安全关键系统约束的有效工具，但大多数现有方法假设状态信息完美，这在实际中很少可得。近期研究通过开发对状态估计误差鲁棒的过滤机制来缩小这一差距，但这些方法在估计误差增大时仍可能出现安全违规或过于保守的行为。本文针对障碍物避免问题，提出了两种新的控制障碍函数（CBF）公式：漂移测量鲁棒（DMR）CBF和神经测量鲁棒（NMR）CBF。DMR-CBF通过对漂移动态中的最坏情况不确定性进行内优化，增强了标准CBF条件，提高了对估计误差的鲁棒性。NMR-CBF则通过可微分轨迹展开进行微调，实验证明其在安全性、保守性和计算成本上均优于其他鲁棒方法。

🔬 方法详解

问题定义：本文旨在解决在状态估计误差下，现有安全过滤器方法无法有效避免障碍物碰撞的问题。现有方法通常假设状态信息完美，导致在实际应用中容易出现安全违规或过于保守的行为。

核心思路：论文提出了两种新的控制障碍函数（CBF）公式，DMR-CBF通过对漂移动态的不确定性进行内优化来增强鲁棒性，而NMR-CBF则通过学习机制替代内优化，进一步提升性能。

技术框架：整体架构包括两个主要阶段：首先使用DMR-CBF进行预训练，然后通过可微分轨迹展开对NMR-CBF进行微调。DMR-CBF负责处理最坏情况的不确定性，而NMR-CBF则利用学习到的知识进行实时控制。

关键创新：DMR-CBF和NMR-CBF的提出是本研究的核心创新，前者通过内优化增强了对状态估计误差的鲁棒性，后者则通过学习机制降低了计算成本和保守性，显著提升了障碍物避免能力。

关键设计：在DMR-CBF中，关键参数设置包括漂移动态的不确定性范围；在NMR-CBF中，采用了深度学习网络结构，通过损失函数优化学习到的控制策略，以实现更高效的障碍物避免。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，DMR-CBF和NMR-CBF在12维四旋翼和双积分器的测试中均成功避免了碰撞，而其他鲁棒方法则出现了失败或过于保守的情况。NMR-CBF在安全性上与DMR-CBF相当，同时显著降低了计算成本和保守性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、机器人导航和无人机飞行等安全关键系统。通过提高对状态估计误差的鲁棒性，所提出的方法能够在复杂环境中实现更安全的自主导航，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Safety filters are an effective tool for enforcing constraints in safety-critical systems, but most existing methods assume perfect state information, which is rarely available in practice. Recent work has begun to close this gap by developing filtering mechanisms that are robust to state estimation error, but these methods can still exhibit safety violations or overly conservative behavior as estimation error grows. Focusing on obstacle avoidance, we develop two new control barrier function (CBF) formulations: drift-measurement-robust (DMR)-CBFs and neural measurement-robust (NMR)-CBFs. The DMR-CBF augments the standard CBF condition with an inner optimization over the worst-case uncertainty in the drift dynamics, improving robustness to estimation error. This DMR-CBF then supervises a pretraining phase for the NMR-CBF, which replaces the inner optimization with a learned term. The NMR-CBF is subsequently finetuned through differentiable trajectory rollouts, yielding a filter that achieves empirical safety comparable to the DMR-CBF while reducing both conservativeness and computational cost. We provide theoretical analysis of the DMR-CBF along with numerical results on a planar double integrator and a 12D quadrotor, where both proposed approaches prevent collisions while other robust methods either fail or are overly conservative. Finally, we deployed the NMR-CBF on a Unitree Go2, enabling successful navigation of an obstacle field under odometry errors that caused a standard CBF to collide.