SafeStreamingFlow: Sichere Streaming-Planung durch Angleichung von Sampling- und Ausführungsdynamik
SafeStreamingFlow ist ein in diesem Preprint vorgestellter, start- und zielkonditionierter Planer, der einen gelernten Zustandsvektorfeld in physikalischer Zeit integriert und dadurch jeden Sampling-Schritt direkt mit einem Ausführungsschritt koppelt. In vier Simulationsumgebungen senkt das Verfahren die Planungslatenz und erreicht bei wettbewerbsfähiger Zielerreichung eine deutlich geringere Verletzungsrate als trajektorienweite sichere generative Planer. Der Ansatz zeigt, wie formale Sicherheitsfilter aus diskreten HOCBFs in Echtzeit auf den ausgeführten Schritt angewendet werden können, ohne die für Diffusions- und Flow-Matching-Planer typischen O(HK)-Optimierungsprobleme zu erzeugen.
Wie kann ein generativer, aus Demonstrationen gelernter Planer so konstruiert werden, dass die Sampling-Dynamik mit der Ausführungsdynamik übereinstimmt und Sicherheitsbedingungen zur Laufzeit ohne trajektorienweite Neuoptimierung durchgesetzt werden?
Bestehende generative Planer wie Diffuser, SafeDiffuser oder SafeFlowMatcher erzeugen den gesamten Zeithorizont auf einmal und verfeinern ihn über K Sampling-Schritte. Sicherheitsfilter werden dabei auf nicht ausgeführte Zwischenzustände angewendet, was die dynamische Konsistenz stört, lokale Fallen erzeugt und pro Plan O(HK) Optimierungsprobleme erfordert. Zudem sind frühere Streaming-Ansätze meist Aktionspolitiken, die weder die Systemdynamik noch eine explizite Start-Ziel-Konditionierung adressieren.
Bisherige Ansätze umfassen trajektorienweite Diffusions- und Flow-Matching-Planer wie Diffuser, SafeDiffuser, FM und SafeFlowMatcher sowie Führungsverfahren wie Classifier Guidance. Trajektorienweite CBF-Filter lösen pro Plan viele Optimierungsprobleme, sichern nur die geplante Trajektorie und führen in der Ausführung dennoch zu Verletzungen oder Fallen. Führungsbasierte Verfahren geben keine harten Sicherheitsgarantien. Streaming-Ansätze wie das frühere Streaming Flow sind als Aktionspolitiken formuliert und behandeln weder die Ausführungsdynamik noch endliche Start-Ziel-Planung.
SafeStreamingFlow erweitert Streaming Flow auf start- und zielkonditionierte Zustandsraumplanung. Ein neuronales Vektorfeld F_theta wird mit Conditional Flow Matching auf Expertendemonstrationen trainiert, wobei kontrahierende konditionale Flüsse um die Demonstrationen konstruiert werden. Das Vektorfeld wird in physikalischer Zeit integriert und liefert pro Zeitschritt eine Ein-Schritt-Referenz; ein hierarchischer Zustandsprädiktor aktualisiert zuerst die Position ohne Geschwindigkeitszugriff und danach die Geschwindigkeit, um einen kinematischen Shortcut zu vermeiden. Die Referenz wird von einem PD-Regler verfolgt, dessen Stellgröße durch einen diskreten HOCBF-Filter minimal korrigiert wird, sodass nur der ausgeführte Schritt abgesichert wird. Das Verfahren arbeitet offen und geschlossen und wird in Maze2D, F1TENTH, MuJoCo Hopper sowie einer ROS2/Gazebo-Lagerumgebung evaluiert.
In Maze2D erreicht SafeStreamingFlow im geschlossenen Regelkreis auf Umaze 98,0 % Erfolg bei 0,0 % Verletzungen, auf Medium 95,0 % Erfolg bei 0,0 % Verletzungen und auf Large 88,0 % Erfolg bei 4,0 % Verletzungen. Zum Vergleich: SafeDiffuser kommt auf 67,0 %, 49,0 % und 13,0 % Erfolg bei 33,0 %, 46,0 % und 71,0 % Verletzungen. Auf F1TENTH Budapest erzielt SafeStreamingFlow 73,0 % Erfolg und 20,0 % Verletzungen bei 0,71 s Optimierungszeit und 3,96 s Gesamtlatenz, auf Catalunya 99,0 % Erfolg und 0,0 % Verletzungen bei 0,49 s Optimierungszeit und 3,99 s Gesamtlatenz. Im Hopper erreicht SafeStreamingFlow einen Score von 51,4 ± 3,4 bei 0,0 % Verletzungen und 7,30 ms Gesamtlatenz, während SafeDiffuser 16,6 ± 13,7 Score, 85,0 % Verletzungen und 1012,4 ms Latenz aufweist. In der Gazebo-Lagerumgebung erreicht SafeStreamingFlow im geschlossenen Regelkreis 51,0 % Erfolg und 1,0 % Verletzungen bei 0,07 s Optimierungszeit und 2,58 s Gesamtlatenz; SafeDiffuser liegt bei 34,0 % Erfolg, 19,0 % Verletzungen und 7,82 s Latenz. Alle Metriken sind über 100 Rollouts gemittelt.
Die Autoren nennen als Grenzen: SafeStreamingFlow transportiert Daten zu Daten und benötigt daher reichhaltigere Demonstrationsdaten als herkömmliches Flow Matching; CBF-basierte Filter erben klassische Einschränkungen, etwa quadratische Barrieren mit begrenzter Geometrie und im Voraus festzulegende Barrierefunktionen und Gains. Es wird keine rekursive Machbarkeit etabliert; auf Maze2D Large findet der Filter gelegentlich keine Lösung, und einzelne geschlossene Rollouts verletzen die Barriere. Alle Evaluationen erfolgen in Simulation, eine Validierung auf realer Hardware fehlt.
Für Robotikunternehmen in Lagerautomatisierung, autonomen mobilen Robotern, Rennrobotik und Laufrobotern könnte SafeStreamingFlow als Planungsmodul dienen, das generative Flexibilität mit formaler Sicherheit und Echtzeitfähigkeit verbindet. Kurzfristig ist ein Einsatz in Simulations- und Prototypenumgebungen denkbar, sobald Barrieren und Dynamikmodelle vorliegen. Mittelfristig, in ein bis drei Jahren, ist eine Integration in reale Navigations- und Manipulationsstacks möglich, wenn die HOCBF-Filter gehärtet und die rekursive Machbarkeit nachgewiesen wird. Für sicherheitszertifizierte Systeme über drei Jahre hinaus sind zusätzlich Sim-to-Real-Validierung und robuste Feasibility-Garantien erforderlich.
Der Volltext wird hier nicht wiedergegeben, weil die Lizenz der Studie das nicht erlaubt. Das Original steht auf arXiv.