数据驱动安全滤波器：一种输入输出视角

由于缺少安全性保证，基于学习的控制的实施仍然具有挑战性。安全控制方法已转向基于模型的安全滤波器以应对这些挑战，但当最终目标是无模型、数据驱动的控制方案时，这却是矛盾的。针对“我们能否在没有显式预测模型和状态估计的情况下确保任意基于学习的算法的安全性？”这一核心问题，本文提出了一种基于行为系统理论（BST）的数据驱动安全滤波器（DDSF）。所提方法仅需离线数据集中可用的一条系统轨迹，即可将不安全的学习输入修正为安全输入。该贡献在输入输出框架中解决安全控制问题，因此不需要完整状态测量或显式状态估计。由于不需要显式模型，所提安全控制方案不受未建模动态和非结构化不确定性影响，并且能为具有未知时延的系统提供安全解决方案。所提 DDSF 的有效性通过高阶六自由度空中机器人和时延自适应巡航控制系统的仿真得到说明。