安全控制是自動駕駛等安全關鍵應用中的核心問題。為確保自動駕駛車輛與其他車輛不發生碰撞，必須準確預測周圍車輛的行為並做出適應性反應。然而，現有方法通常假設所有車輛完全合作且使用相同的安全控制器，或者採用資料驅動方式建模周圍車輛的控制策略。但這些方法存在兩個主要侷限：一是難以確定多車互動中車輛行為的因果關係，因為車輛之間的相互影響使得因果推斷變得複雜；二是基於最壞情況的分析導致行為過於保守，犧牲了任務效率。
為克服這些侷限，本文作者在引數化控制屏障函式（Parametric-CBF）的基礎上，創新性地引入了因果推斷機制，提出了因果關係引數化CBF（Causality-based Parametric-CBF）。該方法透過嵌入因果推理，顯式地建模和推理車輛間的相互影響，從而更準確地預測周圍車輛的行為。具體而言，Parametric-CBF是一種將控制屏障函式引數化的框架，能夠根據環境動態調整安全約束。透過結合因果推斷，系統可以學習到周圍車輛行為的因果結構，而不是簡單假設它們服從某種固定策略。
基於學習到的Causality-based Parametric-CBF，作者設計了一種自適應安全控制器。該控制器使自車能夠根據對周圍車輛行為的預期做出安全且高效的決策，而不是盲目遵循最壞情況下的保守策略。實驗結果表明，在多車互動的典型場景中，例如高速公路並道、十字路口通行等，該方法透過利用多車系統的運動靈活性，在保證安全的同時顯著提升了任務效率。例如，在密集交通流中，自車能夠更流暢地完成變道，而不會因過度謹慎導致交通阻塞。
該論文已被ICRA 2026接收，展示了因果關係與安全控制結合的潛力。作者包括Yiwei Lyu等人，投稿於2026年6月23日。這項工作為自動駕駛中的安全互動提供了新的思路，未來有望應用於更復雜的多智慧體協作場景。