博文

基于自抗扰控制的自适应巡航控制鲁棒控制障碍函数

已有 1475 次阅读 2025-11-4 15:10 |个人分类:文章推荐|系统分类:博客资讯

Robust control barrier functions based on active disturbance rejection control for adaptive cruise control (基于自抗扰控制的自适应巡航控制鲁棒控制障碍函数)

自动驾驶领域中，传统控制障碍函数(CBF)虽能提供安全保证，但严重依赖精确模型，而实际中模型误差与外部扰动往往会导致安全边界失效。哥伦比亚安蒂奥基亚大学团队提出了基于非线性扩展状态观测器(NESO)的鲁棒CBF框架，将自扰抑控制(ADRC)与二次规划(QP)有机结合，实现了外部扰动和模型误差的估计与补偿，确保系统状态处于安全集中并为自动驾驶安全攸关控制提供新的解决方案。

Robust control barrier functions based on active disturbance rejection control for adaptive cruise control基于自抗扰控制的自适应巡航控制鲁棒控制障碍函数

Jaime Arcos-Legarda1, Andres Hoyos2, Hernán García Arias1

机构：1 Universidad de Antioquia (哥伦比亚); 2 Purdue University (美国)

引用信息：Arcos-Legarda, J., Hoyos, A. & García Arias, H. Robust control barrier functions based on active disturbance rejection control for adaptive cruise control. Control Theory Technol. 23, 454–463 (2025). https://doi.org/10.1007/s11768-025-00277-3

全文链接：https://rdcu.be/eKIGs

摘要

本文旨在提出一种基于自抗扰控制方法的鲁棒安全关键控制方案，以在系统存在模型不确定性、未知动态及外部干扰的情况下仍能确保其安全性。该方法将控制障碍函数（Control Barrier Function, CBF）与控制李雅普诺夫函数（Control Lyapunov Function, CLF）相结合，并引入非线性扩张状态观测器（Nonlinear Extended State Observer, NESO），从而构建一种对不确定性与扰动具备强鲁棒性的安全控制策略。该策略采用基于优化的控制框架，并利用非线性扩张状态观测器对系统扰动进行实时估计。通过二次规划（Quadratic Programming, QP）算法，控制器能够在每个采样时刻求解出最优、稳定且满足安全约束的控制输入。最后，通过一个安全关键互联系统——自适应巡航控制（Adaptive Cruise Control, ACC）的数值仿真，验证了所提方法的有效性。

引言

通过二次规划（QP）将控制障碍函数（CBF）与控制Lyapunov函数（CLF）相结合，已成为一种日益受到重视的基于优化的控制策略。该策略能够在保证系统稳定性的同时，提供严格的安全性保障。CBF-CLF-QP框架提供了一种集成方法，可在离散控制系统的每个采样周期内求解优化问题，其中稳定性通常作为软约束，而安全性则作为硬约束加以贯彻。与模型预测控制（MPC）类似，此类优化控制方法通过在线求解最优控制信号，并在当前采样时刻实施。不同之处在于，CBF-CLF-QP仅采用单个样本的预测时域，在确保稳定性的同时，借助标量函数实现对安全性的保证。该方法已在机器人系统以及具备自适应巡航控制功能的智能车辆中成功应用。

然而，CBF-CLF-QP 方法的有效性高度依赖于对系统精确动力学模型的掌握，而这在实际系统中往往难以实现。当系统存在模型不确定性或外部扰动时，CBF所提供的安全保证会逐渐减弱，甚至无法维持系统的安全运行。为应对一般性扰动下的安全控制问题，研究者提出了多种针对模型不确定性与外部扰动的估计与抑制方法。其中，扩张状态观测器（ESO）方法通常基于线性模型近似，其将系统中已知的非线性动态视为总扰动的一部分，从而限制了其在非线性系统中的适用性能。此外，基于扰动观测器的安全控制方法，在鲁棒性保障方面通常局限于特定类型的CBF，要求扰动与控制输入通道匹配，这也制约了其通用性。

本文的主要贡献在于基于自抗扰控制思想，提出了一种将控制屏障函数（CBF）、控制李雅普诺夫函数（CLF）与非线性扩张状态观测器（NESO）相统一的控制综合框架，并通过凸二次规划实现逐点最优求解。该统一方法能够在持续扰动作用下，为系统提供具备鲁棒性的安全保障与稳定控制。在理论层面，本文设计了将CLF-CBF-QP与NESO相结合的控制策略。该观测器充分融合系统所有已知动态特性，并将模型不确定性与外部扰动统一估计为一个集中扰动信号，从而增强对系统总扰动的估计能力。为验证所提出方法的有效性，本文将其应用于互联自适应巡航控制（ACC）问题，并以此作为基准开展比较分析。

文献[19]所采用的方法对原系统模型进行了变换，忽略了其中的非线性动态，并将其纳入总扰动中进行处理。此类简化虽有助于线性扩张状态观测器的设计，但由于未能充分利用已知系统动态，可能影响扰动估计的精度。相比之下，本文所提出的方法采用NESO，完整保留了系统模型，无需进行近似线性化。这使得观测器能够更专注于估计真实的不确定性与外部扰动，从而有望获得更精确、更鲁棒的估计与控制性能。

图1 (原文Fig. 1) 控制框图

图2 (原文Fig. 2) 本文采用的实验对象

[19] Chen, J., Gao, Z., & Lin, Q. (2023). Robust control barrier functions for safe control under uncertainty using extended state observer and output measurement. In 2023 62nd IEEE conference on decision and control (CDC) (pp. 8477–8482). IEEE.

结论

在自抗扰控制框架下，本文提出了一种基于非线性扩张状态观测器的鲁棒控制障碍函数。所设计的控制综合方法采用基于优化的控制策略，并通过二次规划算法实现。通过引入扰动估计机制，所构建的QP问题在外部扰动和模型不确定性下实现了稳定性与安全性的平衡。本文提出的控制方法通过仿真验证了其有效性，比较了CLF-QP和CBF-CLF-QP控制器与其基于NESO的对应方法的性能差异。未来的研究工作将包括对所提控制策略的物理实现，以进一步探讨QP问题在实时应用中可解性的局限性。此外，还需对参考信号特性进行更深入的分析，以研究李雅普诺夫函数和障碍函数评估过程中可能出现的不连续性等问题。

作者介绍

Jaime Arcos-Legarda，是哥伦比亚麦德林安蒂奥基亚大学电子工程系的副教授。他在哥伦比亚国立大学获得了机械和机电一体化工程博士学位。他于2007年在哥伦比亚潘普洛纳大学获得机电一体化工程学士学位，并于2013年在哥伦比亚国立大学获得工业自动化硕士学位。2017年，他获得了著名的富布赖特奖学金，在印第安纳大学-普渡大学印第安纳波利斯分校开展机电一体化系统设计研究。2022年，他获得了欧盟下一代欧盟计划和西班牙大学部的María Zambrano奖学金，担任机器人和控制系统博士后研究员。他的主要研究兴趣集中在机电一体化系统的非线性控制上。

Andres Hoyos，获得了机电一体化工程学士学位。他目前是美国印第安纳州普渡大学土木工程交通运输方向的博士生。他的工作重点是自动驾驶感知、控制、路径规划和定位解决方案的研究和开发。

Hernán García Arias，获得了哥伦比亚佩雷拉理工大学工程学博士学位。他是麦德林安蒂奥基亚大学（UdeA）的副教授。他的研究方向为概率建模、动态系统以及工程和社会应用中的不确定性决策。

期刊简介

640 spr.jpg

欢迎扫码进入期刊主页

Control Theory and Technology (CTT), 中文名《控制理论与技术》, 创刊于2003年，原刊名为Journal of Control Theory and Applications，2014年刊名更改为Control Theory and Technology。由华南理工大学与中国科学院数学与系统科学研究院联合主办，主要报道系统控制科学中具有新观念、新思想的理论研究成果及其在各个领域中的应用。目前被 ESCI (JIF 1.5)、EI、Scopus (CiteScore 3.2)、CSCD、INSPEC、ACM 等众多数据库收录, 并于2013–2018年获得两期中国科技期刊国际影响力提升计划项目资助。2017–2021年连续获得“中国最具国际影响力学术期刊”和“中国国际影响力优秀学术期刊”称号，获得广东省高水平科技期刊建设项目I期(2021-2024年)和II期，2022-2024年进入中国科协自动化学科领域高质量科技期刊目录。

官网：https://link.springer.com/journal/11768 (即http://www.springer.com/11768)

https://jcta.ijournals.cn/cta_en/ch/index.aspx

投稿：https://mc03.manuscriptcentral.com/ctt

微信：ControlTheoryTech （欢迎扫码关注期刊微信公众号）