← 返回 PaperDaily 视觉与图像

三阶系统实测：时空变换让控制抖动量直降99%，安全性不缩水

这篇论文把CBF/HOCBF/ECBF的老底掀了——它们本质是"零记忆"的瞬时高通滤波器，噪声一上来控制器就疯狂抖动甚至直接失能。作者提出的时空变换用"有记忆的卷积内核"替掉"瞬时微分"，理论和实验双杀：控制总变差降99%，安全率照样100%。做机器人落地的朋友值得重点读。

龙哥读论文发布于 2026-09-04 00:20:12 阅读 2 查看原文

#机器人 #人工智能

原论文信息如下：

论文标题:
The Space-Time Transform: Memory-Augmented Control Barrier Functions

发表日期:
2026年09月

发表单位:
没有

原文链接:
https://arxiv.org/pdf/2609.00079v1.pdf

安全屏障函数的"阿喀琉斯之踵"：瞬时几何为何在噪声下崩溃

做机器人控制或者自动驾驶实机调试的工程师，大概率见过这样一幕：算法在仿真里顺顺当当，一旦把真实传感器信号接进去，控制量就像犯了癫痫一样高频哆嗦，电机发烫，机构异响，严重的时候安全模块直接“撂挑子不干”。以前大家习惯把这口锅甩给“噪声太大”或者“调参不到位”，但这篇论文给出了一个更扎心的判断：问题出在安全屏障函数这件事的底层数学结构上。

先快速回顾一下背景。所谓控制屏障函数（Control Barrier Function，简称CBF），是一种保证系统不闯入危险区域的安全过滤机制。它把一个安全集合定义成一个光滑函数的“非负区域”，只要控制器让这个函数不跌到零以下，系统就被“锁”在安全边界内。对于相对阶为1的系统，条件非常直观：安全函数 h(x) 的导数里要能直接看到控制量 u 的作用，并且系统能沿着边界的法向把状态推回安全区。

系统模型和作者定义的安全集如下面两个式子所示。这里 x 是系统状态，u 是控制输入，h(x) 则是用连续可微函数刻画的安全指标。

公式一：仿射非线性系统动力学模型 ẋ = f(x) + g(x)u

公式二：安全集合 C = { x ∈ Rⁿˣ | h(x) ≥ 0 }，系统状态一旦进入集合内部，就要保证永远不离开它。

当系统相对阶为1时，标准CBF的安全条件要找到一个合法的控制量，使下面的不等式成立。

公式三：标准CBF约束不等式。α 是一个扩展类K函数，用来刻画“安全余量需要多快恢复”。

问题是，真实机器人大多不是相对阶1这种好脾气系统。无人机的位置安全函数要传导到推力，中间隔着速度和加速度；机械臂的末端位置约束传到关节力矩，也要穿过好几层运动学。这时候就需要高阶控制屏障函数（HOCBF，High-Order CBF）或者指数控制屏障函数（ECBF，Exponential CBF）来“层层把关”。HOCBF的做法是递归地构造一串新的虚拟约束，见下面公式。

公式四：HOCBF把安全边界一层层“提升”到能看见控制量的那一阶导数。

公式五：HOCBF最终写进QP求解器的安全约束。这里的 Lf 和 Lg 表示对系统漂移场与控制场的李导数运算。

ECBF则换了一种“配方”：不递归，而是直接让安全函数的第n阶时间导数配上前面所有低阶导数的加权和，整体保持非负。两个流派殊途同归，最后都会变成一个带控制量u的线性不等式。看到这里，读者可能觉得数学上相当优雅——但正是这种“优雅”埋下了噪声崩溃的伏笔。

公式六：ECBF约束直接用高阶时间导数的线性组合构造安全条件。

所谓“相对阶 n”，通俗说就是控制量要隔着 n 次微分才能“露面”。一个位置传感器测到毫米级抖动，差分一次变成速度上的分米级毛刺，差分两次变成加速度上的米级尖峰，差分三次就直接飞出天际。传统高阶屏障函数把状态测出来之后当场求好几阶导数，本质上是一个“高通滤波器+放大器”，高频小噪声会被放大成巨大的控制需求。

这篇论文最犀利的一刀，是把这种直觉上升成了理论。作者把CBF、HOCBF、ECBF全部重新写成连续时间卷积的形式，发现它们统统是“零记忆”的：标准CBF的卷积核是一个狄拉克δ函数，高阶版本则是δ函数及其各阶导数的线性组合。下面这张图里的两个式子展示了HOCBF和ECBF统一之后的卷积内核结构。

公式七：标准CBF约束等价于用狄拉克δ函数对安全轨迹做“只看当前一瞬”的卷积。

公式八：HOCBF/ECBF的统一卷积核由δ的导数叠加而成，仍然是零记忆的“瞬时快照”。

这样的核在频域里对应一个“非正则传递函数”，高频增益趋近于无穷大。对任意一个有界的高频测量干扰，系统都能被它逼到执行器饱和；二次规划（QP）优化器找不到可行解，安全屏障看似存在，实际上已经“功能性失明”。这就是安全屏障函数的阿喀琉斯之踵。

时空变换：将安全约束从"瞬时快照"升级为"动态记忆"

既然“缺记忆”是病根，那“加个低通滤波器不就好了”？这是工程师的第一反应。也很遗憾，这正是论文要打击的另一个误区。作者用定理证明了：在屏障函数外面单独串一个低通或卡尔曼滤波器，会带来三选一的“结构性死法”。

第一，如果只对滤波后的替代信号做n次微分，控制量u会在约束里彻底消失，QP变成没有控制可优化的空壳，称为控制权威丢失。第二，如果强行把滤波状态也当成系统状态、把总相对阶抬高到n+m，那屏障函数保证安全的是“滤波器输出”对应的替代集合，而不是真实物理集合，称为替代集错配。第三，也是最隐蔽的：所有因果低通滤波器都有相位滞后。系统都已经冲进危险区了，滤波器看到的历史状态仍显示“安全”，于是安全控制器仍然按兵不动。

公式九：外置低通滤波器的状态空间实现。把滤波器放在屏障函数上游，看起来聪明，实际上会牺牲物理安全性。

作者的破局思路很大胆：不要把滤波当作外挂，而是把“时间记忆”直接做成安全内核的一部分。在拉普拉斯域中，让原来的空间微分算子和一个低通滤波器相乘，只要分母阶次足够高，整体传递函数就从“非正则”变成“正则”，高频增益从此被封顶。

公式十：把空间算子 G_improper(s) 和低通滤波器 F(s) 合成为单一时空算子 G_kernel(s)。

这个合成算子写作 g_STT(τ)，是空间冲激响应和低通冲激响应在时间域里的卷积。它不再含有δ脉冲或δ的高阶导数，而是一个有界光滑的分布函数。

公式十一：时空变换核就是把纯空间微分核与平滑低通冲激响应做卷积。

于是，原来屏障函数里的“瞬时状态”被替换成“过去一段时间的加权积分”，安全约束从只问“现在在哪”变成了同时回答“刚才经历了什么”。新的安全约束写成下面这个样子。

公式十二：STT-CBF的安全约束，Ω_STT[h](t) 是对安全轨迹的因果积分，u(t) 前面的系数 b(x(t)) 保持非零。

公式十三：Ω_STT 对安全轨迹 h 的因果记忆积分，只利用 t 时刻之前的状态历史。

作者还证明了，可以把空间李导数运算先做出来、再做时间卷积，得到一套等价的实现形式。这套形式里只需要对历史每个时刻的空间李导数值做低通滤波，控制量依然直接出现在约束中，不会像外部预滤波那样把控制项滤丢。

公式十四：Ω_STT 也可以写成“历史轨迹上的李导数 + 线性空间扩展”的积分，工程上更容易实现。

这里出现的 α_L 是“线性空间扩展”，把HOCBF/ECBF里那些非线性类K函数收敛成一组固定系数，从而保证频域分析成立。直观地说，约束不再强迫系统“下一秒立刻回到安全曲线”，而是允许它按照一段有阻尼的过渡过程平滑恢复。安全，被重新定义成了一段“有记忆的演化”。

从空间到时间的桥梁：时间视界反演如何锁定空间衰减系数

看到这，读者一定会追问：“记忆窗口到底开多大？”固定开50毫秒？100毫秒？都不对。因为同一个时刻，位置离边界远的状态和紧贴边界的状态，对“记忆”的需求完全不同。边界近的状态需要快速响应，历史窗口太长反而碍事；边界远的状态则可以享受更充分的滤波，让控制更平滑。

论文提出了一个非常漂亮的桥梁概念：时间视界反演。把空间上的“还剩多少安全余量”翻译成时间上的“按当前衰减速率还能扛多久”。如果安全函数沿着边界以 α(h) 的速率收缩，从当前值 h(x) 到某个微小安全阈值 ε 的穿越时间由下面的积分给出。

公式十五：时间视界反演的核心积分。它把一个空间距离转换为“如果不干预，还能安全坚持多久”。

这里积分上限是当前空间余量 h(x)，下限是保守安全阈值 ε，被积函数则是衰减速率 α(s) 的倒数。也可以写成更朴素的微分关系 dt = -dh/α(h)，意思是：空间边界每“下降一毫米”，对应多少秒的安全裕量，完全由空间衰减系数决定。这样，边界函数的尺度、滤波窗口长度、执行器带宽三者就被同一套参数锁在了一起。

公式十六：dt = -dh/α(h)，把空间余量的减少直接映射成时间资源。

实际问题中，低通滤波器通常设计成一串一阶惯性环节的串联，每个极点 pᵢ 决定一个拐角频率。时空变换的核在拉普拉斯域表现为下面两个因式的乘积。

公式十七：低通部分采用 m 个负实极点串联，m 要足够大才能把整体传递函数压成“真有理”。

公式十八：空间微分算子化为 n 个零点相乘的形式，这些零点的位置正好对应屏障函数里各阶衰减系数的选择。

设计门道是：低通极点的频带不能离空间零点太远。离得太近，安全恢复变慢、保守性变强；离得太远，高频增益又压制不住。论文据此给出了一套可落地的六步设计流程：先确定相对阶和边界函数，再选择空间零点位置，接着设计低通极点和保守量，最后实时求解带饱和约束的QP。对工程人员来说，这套流程才是从“看懂公式”到“写出代码”的最后一根拐杖。

理论保障与实验验证：99%颤振抑制与100%安全率的双重突破

漂亮的理论还要看能不能经得起数值实验的考验。论文选取了一个三阶系统做蒙特卡洛验证，状态为位置、速度、加速度，控制量直接是加加速度（jerk），测量噪声取位置标准差0.1米、速度标准差0.3米/秒，一共跑50次独立试验。这个设置最狠的地方在于：三阶系统要求控制器对位置的“三阶导数”——也就是控制量所在的阶次——进行处理，任何一点高频噪声都会被三阶差分彻底放大。

论文把时空变换方法与经典CBF、HOCBF/ECBF、以及带鲁棒下界的参数化屏障方法放在同一基准下比较。实验结果汇总在下表中。

表一：蒙特卡洛性能对比（50次试验，位置噪声标准差0.1m，速度噪声标准差0.3m/s，鲁棒保守量0.05m）

表一：蒙特卡洛性能对比（50次独立试验）。表中的关键差异不是“安全率谁更高”，而是“谁能用更平滑的控制方式达到同样的高安全率”。

论文中有一张很有冲击力的单次运行对比图，四行子图像“心电图”一样把几种方法的性格展露无遗。第一行是安全边界轨迹，第二行是速度剖面，第三行是控制输入的加加速度信号，第四行是安全约束对控制量的偏导数。

图一：三阶系统带测量噪声条件下的单次运行对比轨迹。第一行：空间安全轨迹；第二行：速度剖面；第三行：控制器输出加加速度，标准CBF和参数化CBF存在极端颤振而STT控制平滑；第四行：仿射控制系数，证明外部预滤波情况下出现完全的控制权威丢失。

图一：单次运行对比。第三行可以清楚看到，经典屏障方法的控制量 u(t) 像锯齿一样疯狂来回拉，而STT的控制曲线几乎是光滑的；第四行更是直接验证了理论预测——外部预滤波那条曲线在控制偏导数上归零，恰好对应“控制权完全丢失”的退化模式。

从量级上看，时空变换方法在50次蒙特卡洛里实现了100%的安全率，同时把控制总变差（total variation）压低了99%以上。总变差刻画的是控制量在时间轴上“来回折腾”的累计幅度。降低99%，相当于执行器从“每分钟高频战栗”变成“从容推杆”，这对电机寿命、能耗和机构可靠性都是数量级意义上的改善。更重要的是，这种平滑不是靠牺牲安全换来的，而是靠把高频增益从“无限大”压成“有限值”得到的，所以安全率依旧保持在100%。

为什么这个结果在逻辑上自洽？因为STT并没有“放过”危险，而是把原本需要瞬时做出的强硬回推，展开成一段带有阻尼的记忆过程。只要低通滤波的相位滞后被明确的鲁棒保守量吸收，系统就既不抖，又不穿墙。可以说，这篇论文第一次把“安全”和“平滑”从互相妥协的跷跷板两端，放到了同一条理论基线上。

局限与展望：从仿真到真实机器人平台的最后一公里

先把话说透：这是一篇以理论推导和蒙特卡洛仿真为主的工作，不是一篇开了真实机器人demo的工程论文。它的核心贡献是“看穿问题+给出新框架”，而不是“已经量产”。想直接拿去跑真实机器人，中间还有一些不能忽略的坎。

最明显的一条规定是：当前时空变换的严格证明被锁定在线性类K函数框架内。虽然非线性衰减可以通过局部线性化近似处理，但作者自己也承认，把非线性扩展类K函数完整地纳入频域合成，还需要进一步的理论工作。对于追求“参数不用抠太细”的工程师来说，这意味着额外的调参成本。

第二个考验来自真实硬件的时间离散化。论文在连续时间域里推导了完整的鲁棒不变性，但真实控制回路是离散的：1000赫兹还是500赫兹的控制频率？通信延迟是固定的还是抖动的？编码器有没有丢帧？执行器的带宽是否真的比低通极点高？这些“说不出口的脏细节”往往决定一个安全算法是神器还是玩具。

第三个观察是：论文目前验证的是单一安全边界和单一三阶链式系统。真实机器人的避障任务，往往同时面对多个障碍物、多个安全约束、以及控制输入饱和与状态约束之间的耦合。把STT扩展到多屏障函数的并行合成，显然是一个值得期待的后续方向。

如果这篇论文后续能补上真实机器人平台的对比实验、给出可复现的开源代码，再顺势把非线性扩展做完整，那它的价值还会再上一个台阶。毕竟，安全控制这个领域最缺的不是“论文里完美的定理”，而是“真机上敢用的定理”。

龙迷三问

下面是龙哥对于大家可能的一些问题的解答：

这篇论文到底在解决什么问题？针对高相对度CBF在噪声下控制颤振和QP不可行问题，本文提出时空变换（STT），以"记忆内核"取代"瞬时微分"，理论上保证鲁棒前向不变性，实测控制总变差降99%以上。

这篇工作最值得看的点是什么？STT(Real Poles)在保持100%安全率的同时，将控制颤振TV(u)从PBF的2178.3±42.6降至20.9±1.6，降低超过99%，同时保持仿射控制权威(∂C/∂u=1.0)。

这篇工作的边界或风险在哪里？优点：(1) 从卷积和频域角度深刻揭示了CBF/HOCBF/ECBF的结构性局限，理论分析严谨；(2) STT框架统一了现有屏障方法，同时解决了高频噪声放大和QP不可行性问题；(3) 提供了从硬件表征到离散实现的完整六步工程流程。缺点：(1) 仅使用三阶积分器仿真验证，缺乏真实机器人平台实验；(2) 线性α_L限制可能限制了对非线性安全边界的适用性；(3) 未与最新的学习类CBF方法对比；(4) 缺少对不同噪声水平、不同系统阶数的系统敏感性分析。

如果你还有哪些想要了解的，欢迎在评论区留言或者讨论~

龙哥点评

论文创新性分数：★★★★★

把CBF/HOCBF/ECBF统一刻画成“零记忆、非正则卷积核”，从频域上证明了噪声下QP崩溃的必然性。这个视角在此前三类方法各自发展的文献里非常少见，属于“重写问题定义”级别的贡献。

实验合理度：★★★★☆

三阶系统加蒙特卡洛噪声模拟，针对不同退化模式做了对照，实验设置和研究问题匹配。扣一星是因为目前只有数值仿真，缺少真实机器人或硬件在环实验的支撑。

学术研究价值：★★★★★

这篇论文为安全控制领域提供了一个可以继续深挖的理论框架，特别是“时间记忆+空间屏障”的卷积化改造思路，很可能启发一批频域分析、动态安全滤波、鲁棒QP合成的后续工作。

稳定性：★★★☆☆

在论文设定的扰动模型下，鲁棒前向不变性有理论证明保证。但它依赖低通滤波器极点和噪声导数上界等条件，真实环境里的冲击干扰、通信丢包、非高斯噪声还需要更多验证。

适应性以及泛化能力：★★★☆☆

目前严格框架落在线性类K函数和单一仿射系统上，多约束、非线性衰减、非仿射控制等问题还留待扩展。框架本身不限定具体平台，但从推导到工程适配仍有距离。

硬件需求及成本：★★★★☆

算法核心不是一个重型神经网络，而是状态扩展加QP求解，实时性预期优于很多学习类方法。但真正落地时要额外维护滤波器组和保守量估计，代码实现和标定仍要花成本。具体计算量论文没有给出细致报告，因此给四星。

复现难度：★★★☆☆

论文数学推导完整，六步设计流程也算清楚，但没有提供开源代码，实验部分也没有公开仿真脚本。想复现60%以上的工作量其实不在算法本身，而在自己重新搭一套基准对比代码。

产品化成熟度：★★☆☆☆

这是一个“理论先行”的工作，距离产品化还差真实机器人demo、控制器时序验证和长时间可靠性测试。它更适合先在有动力学仿真环境的小型团队里试水，再考虑走向工业级控制器。

可能的问题：缺少真实平台验证是最大短板；实验只覆盖三阶链式系统与线性类K函数，多障碍、多约束和未知动态下的表现仍是开放性课题。另外论文未开源，给复现对比增加了隐性门槛。如果能补上代码与真机实验，这份工作的可信度和影响力会明显更高。

主要参考文献

[1] Avinash Malik. The Space-Time Transform: Memory-Augmented Control Barrier Functions. arXiv:2609.00079v1, 2026.

[2] 论文中关于经典CBF、HOCBF、ECBF奠基性工作的引文索引 [1]-[3] 及外部滤波失效的定理细节，可参见原文：https://arxiv.org/pdf/2609.00079v1.pdf

被噪声逼到疯狂抖动的控制器，像不像被高频噪音折磨的你？🤚 让STT帮你把"颤振"滤掉、把"安全"留住！欢迎加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。一定要备注：研究方向+地点+学校/公司+昵称（如机器人+上海+清华+龙哥），根据格式备注，可更快被通过且邀请进群。
『龙哥读论文』微信群目前包含：图像处理、大模型及智能体、自动驾驶及机器人、AI医疗及AI金融5个群。机器人、控制与安全算法方向的小伙伴，来群里一起聊点"平滑又安全"的真问题！ wechat_helper

*本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见，具体以相关组织评审结果为准。欢迎就论文内容交流探讨，理性发言哦～想了解更多原文细节的小伙伴，可以点击"阅读原文"，查看更多原论文细节哦！