基于残差生成建模与离散时间控制障碍函数的实时风险敏感安全控制

机器人系统脆弱性的一个关键来源是模型不确定性与外部干扰的存在。大多数现有的鲁棒控制方法要么试图界定最坏情况干扰（导致保守行为），要么学习确定性动力学模型（无法捕捉不确定动力学或干扰）。本工作提出一种不同方法：训练状态条件生成模型来表示标称动力学与实际系统之间误差残差的分布。我们特别引入在线风险知情优化控制器（ORIO），其使用离散时间控制障碍函数，结合学习的生成式干扰模型，以在某种风险水平下确保系统安全。我们在仿真与硬件中展示了该方法，并表明我们的方法可学习到足够精确的干扰模型，从而实现对带有未建模悬挂载荷的激进飞行四旋翼的风险敏感控制。我们使用条件变分自编码器（CVAE）学习状态条件的动力学残差分布，并发现所得的概率安全控制器可在嵌入式计算机上以 100Hz 运行，表现出较不保守的行为，同时保留理论安全特性。