在非结构化环境中实现安全-critical自主性面临诸多挑战，尤其是在约束条件不断变化的情况下进行在线安全认证。为此，研究者提出了一种名为策略库控制屏障函数（Policy Library Control Barrier Function, PL-CBF）的运行时安全过滤器。该方法的核心思想是：在运行时维护一个备选策略库，并通过并行有限时域推演（parallel finite-horizon rollouts）快速评估每个策略在未来一段时间内的闭环行为。基于评估结果，系统选择侵入性最小的安全模式，然后通过求解一个二次规划（quadratic program）问题，对名义策略进行最小程度的修改，从而强制满足安全约束。
为了从理论上保证有限时域安全性，作者引入了一种基于闭环行为的有限时域语言度量（finite-horizon language metric）。该度量能够量化不同策略在有限时间范围内的行为差异，并据此刻画策略库需要满足的覆盖要求（coverage requirements），以确保在任何情况下都能找到可行的安全模式。这一分析为策略库的设计和规模选择提供了理论依据。
在实验部分，作者在三个不同复杂度的仿真场景中验证了PL-CBF的有效性。第一个场景是平面双积分器（planar double-integrator），仅包含4个状态变量，用于基础验证。第二个场景是高速公路驾驶，使用真实的非线性车辆模型（8个状态），并模拟了摩擦系数突然变化的情况，考验算法在动态约束下的鲁棒性。第三个场景是拥挤动态环境中的三维四旋翼导航（12个状态），涉及复杂的障碍物规避。所有仿真结果表明，与单一策略的安全过滤器相比，PL-CBF能够显著提高安全覆盖率，同时保持毫秒级的运行时开销，满足实时性要求。
该工作由Taekyung Kim等五位作者完成，提交于2026年5月15日，属于机器人学（cs.RO）和系统与控制（eess.SY）交叉领域。论文提供了项目页面，并附有完整的技术细节和实验视频。PL-CBF的提出为安全-critical自主系统在不确定环境中的在线安全认证提供了一种有前景的解决方案，其并行推演架构和理论分析框架有望推广到更广泛的机器人控制问题中。