Scalable Tube-Tightened Multi-Agent Safety via Certified Constraint Reduction
作者: Armel Koulong
分类: eess.SY
发布日期: 2026-08-26
备注: Submitted for consideration at the 2027 American Control Conference (ACC)
💡 一句话要点
提出认证约束减少方法以提升多智能体系统的安全性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多智能体系统 安全控制 模型预测控制 约束减少 几何自适应 鲁棒性 Farkas证书
📋 核心要点
- 现有的多智能体系统控制方法在处理安全约束时面临计算复杂度高和约束数量庞大的挑战。
- 论文提出了一种几何自适应的约束选择机制，通过Farkas证书来减少约束数量，同时保证安全性。
- 实验结果表明，该方法在保持安全决策的同时，显著减少了约束数量，并在计算效率上取得了提升。
📝 摘要（中文）
本文开发了一种认证约束减少方法，旨在通过管道紧缩的指数控制障碍函数（eCBFs）实现分布式模型预测控制在多智能体系统中的应用。在每个预测阶段，智能体之间及智能体与障碍物之间的eCBF条件定义了局部控制空间中的半空间。论文提出了一种几何自适应的子集保留策略，并通过Farkas证书验证减少的可行集包含于完整的紧缩集。对于平面输入，锥覆盖通过最大角间隙进行表征，极端方向足以在严格半平面情况下使用，而其他几何形状则在保留三个约束的情况下初始化，并在认证失败时逐步增加。该方法在不需要辅助优化的情况下获得了锥乘子和名义感知偏移，确保了所构建控制器继承了基础tube-eCBF公式的鲁棒安全保证。
🔬 方法详解
问题定义：本文旨在解决多智能体系统中安全约束数量过多导致的计算复杂度高的问题。现有方法在处理多个智能体与障碍物的安全约束时，往往需要考虑所有可能的约束，导致控制效率低下。
核心思路：论文提出了一种认证约束减少方法，通过几何自适应选择保留的约束，并利用Farkas证书验证减少的可行集的安全性。这种设计旨在在保证安全性的前提下，降低计算复杂度。
技术框架：整体方法分为几个主要阶段：首先，在每个预测阶段定义智能体之间及与障碍物的eCBF条件；其次，基于几何特征选择保留的约束；最后，通过Farkas证书验证所选约束的有效性。
关键创新：本研究的主要创新在于提出了一种几何自适应的约束选择策略，能够在不牺牲安全性的情况下显著减少约束数量。这一方法与传统的全约束处理方法形成鲜明对比，提升了计算效率。
关键设计：在设计中，采用了锥乘子和名义感知偏移的闭式解法，避免了额外的优化步骤。同时，确保了所构建的控制器能够继承原有的安全保证，保持了控制的鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果显示，在十个跟随者和四个障碍物的场景中，该方法平均保留的安全约束数量显著减少，且能够重现完整过滤器的名义接受/拒绝决策，未出现真实安全违规。同时，随着约束数量和预测范围的增加，计算效率也得到了提升。
🎯 应用场景
该研究的潜在应用领域包括自动驾驶、无人机编队和智能制造等多智能体系统的安全控制。通过提高控制效率和安全性，该方法能够在复杂环境中实现更高效的协作与决策，具有重要的实际价值和未来影响。
📄 摘要（原文）
This paper develops a certified constraint-reduction method for distributed model predictive control with tube-tightened exponential control barrier functions (eCBFs) in multi-agent systems. At each prediction stage, pairwise agent--agent and agent--obstacle eCBF conditions define halfspaces in the local control space. Rather than enforcing all such halfspaces, a geometry-adaptive subset is retained and a Farkas certificate verifies that the reduced admissible set is contained in the full tightened set. For planar inputs, cone coverage is characterized through the largest angular gap: two extreme directions suffice in the strict half-plane regime, while other geometries initialize with three retained constraints and escalate only when certification fails. Conic multipliers and nominal-aware offsets are obtained in closed form, without an auxiliary optimization, and the resulting construction preserves any nominal control already admissible for the full tightened set. Consequently, the reduced controller inherits the robust safety guarantee of the underlying tube-eCBF formulation. In a ten-follower, four-obstacle study, the method retained fewer safety constraints on average, reproduced the full filter's nominal accept/reject decisions with no true safety violations, and achieved increasing computational gains as the constraint count and prediction horizon grew.