独轮车有界扰动安全导航的CLF-CBF方法

Shubham Singh 等提出一种学习增强的鲁棒 CLF-CBF 控制框架，让独轮车机器人在未知时变扰动和多个静态障碍下安全导航到目标。控制器实时求解单个 QP，把目标跟踪项与每个障碍的安全项合并；安全由各障碍对应的鲁棒控制障碍函数编码，并用闭式状态相关扰动界收紧。当镇定与安全冲突时，松弛变量只放宽收敛要求，安全约束严格保持。 论文称，在 QP 可行的前提下，鲁棒障碍约束保证每个障碍的安全集在所有可容许扰动下前向不变；学习增强变体用强化学习参考替换固定目标，据称在多个约束同时激活时加快收敛。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。