CP-NCBF：一种基于共形预测的合成已验证神经控制障碍函数的方法
系统与控制
2025-05-20 v2 人工智能
机器人学
系统与控制
摘要
控制障碍函数（CBFs）是设计安全关键控制器的一种实用方法，但为任意非线性动力系统构建它们仍然是一个挑战。最近的研究探索了基于学习的方法，如神经CBFs（NCBFs），以解决这个问题。然而，由于潜在的学习误差，确保NCBFs的有效性很困难。在本信中，我们提出了一种新颖的框架，利用分裂共形预测来生成具有基于用户定义错误率的概率保证的形式化验证神经CBFs，称为CP-NCBF。与现有方法对神经CBF施加Lipschitz约束（导致可扩展性限制和过于保守的安全集）不同，我们的方法是样本高效的、可扩展的，并产生限制性较小的安全区域。我们通过自动驾驶中避障和空中车辆地理围栏的案例研究验证了我们的框架，证明了与常规技术相比，它能够生成更大且更不保守的安全集。
引用
@article{arxiv.2503.17395,
title = {CP-NCBF: A Conformal Prediction-based Approach to Synthesize Verified Neural Control Barrier Functions},
author = {Manan Tayal and Aditya Singh and Pushpak Jagtap and Shishir Kolathaya},
journal= {arXiv preprint arXiv:2503.17395},
year = {2025}
}
备注
17 Pages, 10 Figures. First two authors have contributed equally