[论文解读] A Collision Cone Approach for Control Barrier Functions

Manan Tayal, Bhavya Giri Goswami+6 more|arXiv (Cornell University)|Mar 11, 2024

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出了一种新型实时安全框架——碰撞锥控制屏障函数（C3BFs），通过将碰撞锥几何与控制屏障函数相结合，确保无人地面和空中车辆的避碰。通过约束相对速度以避开碰撞锥，该方法能够基于二次规划实现安全、非保守的动态障碍物绕行控制，已在TurtleBot、Stoch-Jeep和Crazyflie 2.1无人机上得到验证，性能优于高阶CBFs。

ABSTRACT

This work presents a unified approach for collision avoidance using Collision-Cone Control Barrier Functions (CBFs) in both ground (UGV) and aerial (UAV) unmanned vehicles. We propose a novel CBF formulation inspired by collision cones, to ensure safety by constraining the relative velocity between the vehicle and the obstacle to always point away from each other. The efficacy of this approach is demonstrated through simulations and hardware implementations on the TurtleBot, Stoch-Jeep, and Crazyflie 2.1 quadrotor robot, showcasing its effectiveness in avoiding collisions with dynamic obstacles in both ground and aerial settings. The real-time controller is developed using CBF Quadratic Programs (CBF-QPs). Comparative analysis with the state-of-the-art CBFs highlights the less conservative nature of the proposed approach. Overall, this research contributes to a novel control formation that can give a guarantee for collision avoidance in unmanned vehicles by modifying the control inputs from existing path-planning controllers.

研究动机与目标

• 解决现有控制屏障函数在处理动态障碍物时的局限性以及缺乏几何直观性的问题。
• 开发一种统一的、实时的安全框架，适用于地面（UGV）和空中（UAV）车辆。
• 基于相对速度约束的几何直观方法，提供形式化的碰撞避免保证。
• 在动态障碍物条件下，实现对最先进高阶CBFs在可行性与安全性方面的超越。
• 通过仿真和多种机器人平台的硬件实验验证该方法。

提出的方法

• 基于碰撞锥的几何概念，提出一类新型控制屏障函数，确保车辆与障碍物之间的相对速度远离该锥体。
• 推导适用于全向轮式、自行车和四旋翼飞行器动力学的CBF-QP公式，以计算实时、安全的控制输入。
• 采用安全过滤器架构，作为在现有路径规划器之上的快速实时控制器运行。
• 将该方法应用于质点、全向轮式、自行车和四旋翼模型，涵盖静态与移动障碍物。
• 使用二次规划优化控制输入，同时强制执行C3BF约束，以保证安全集合的前向不变性。
• 通过PyBullet仿真和TurtleBot3、Stoch-Jeep及Crazyflie 2.1的硬件实验验证该框架，采用基于动作捕捉的状态估计。

实验结果

研究问题

• RQ1 基于几何直观的CBF公式是否能提升动态障碍物避碰的安全性并降低保守性？
• RQ2 与高阶CBFs相比，所提出的C3BF方法在可行性与碰撞避免性能方面表现如何？
• RQ3 C3BF-QP框架是否能确保在包括UGV和UAV在内的多种机器人平台上实现实时安全保证？
• RQ4 该方法在涉及多个静态与动态障碍物的复杂场景中是否保持鲁棒性？
• RQ5 相同的安全部署是否可统一应用于具有不同运动学特性的多种车辆模型？

主要发现

• C3BF方法在TurtleBot3、Stoch-Jeep和Crazyflie 2.1的仿真与硬件实验中均成功避免了与动态障碍物的碰撞。
• C3BF-QP控制器在多障碍物环境中表现出鲁棒性能，包括长条形和球形静态障碍物。
• 该方法优于高阶CBFs（HO-CBFs），后者在应对高速接近障碍物时失败，且在投影CBF情况下难以处理长障碍物。
• 硬件实验确认了实时可行性，控制指令以100 Hz的频率通过动作捕捉与机载滤波计算并传输。
• 即使在多智能体场景中使用相同的安全过滤器，控制器仍能保持安全轨迹，展示了其可扩展性与鲁棒性。
• C3BF框架在提供形式化安全保证的同时，比现有基于CBF的方法更具非保守性。