面向安全关键控制的安全感知基于偏好学习

将动态机器人带入真实环境需要在性能与安全之间取得微妙的平衡。然而，旨在提供鲁棒安全保证的控制器往往导致保守行为，而调整这些控制器以寻找性能与安全之间理想权衡通常需要领域专业知识或精心构建的奖励函数。本工作提出了一种设计范式，通过将安全感知的基于偏好学习（PBL）与控制障碍函数（CBFs）相集成，系统性地实现平衡性能与鲁棒安全的行为。融合这些概念——安全感知学习与安全关键控制——提供了一种在复杂机器人系统上实际实现安全行为的鲁棒手段。我们在仿真中和硬件实验中展示了该设计范式在四足机器人上实现安全的、高性能的基于感知的自主操作的能力。