[论文解读] Safe Feedback Motion Planning in Unknown Environments: An Instantaneous Local Control Barrier Function Approach

Cong Li, Zengjie Zhang+4 more|arXiv (Cornell University)|Jun 9, 2021

Robotic Path Planning Algorithms参考文献 39被引用 7

一句话总结

该论文提出了一种端到端、感知驱动的反馈运动规划框架，采用在线学习的瞬时局部控制屏障函数（IL-CBFs）和目标驱动的控制李雅普诺夫函数（GD-CLFs），实现在未知环境中的安全导航。通过在扩大后的共享控制空间中联合优化IL-CBFs与GD-CLFs，并利用二次规划（QP），该方法确保了实时避碰和向目标的收敛，且在室外和室内迷宫仿真中均得到验证，具备理论上的安全性保证。

ABSTRACT

Mobile robots are desired with resilience to safely interact with prior-unknown environments and finally accomplish given tasks. This paper utilizes instantaneous local sensory data to stimulate the safe feedback motion planning (SFMP) strategy with adaptability to diverse prior-unknown environments without building a global map. This is achieved by the numerical optimization with the constraints, referred to as instantaneous local control barrier functions (IL-CBFs) and goal-driven control Lyapunov functions (GD-CLFs), learned from perceptional signals. In particular, the IL-CBFs reflecting potential collisions and GD-CLFs encoding incrementally discovered subgoals are first online learned from local perceptual data. Then, the learned IL-CBFs are united with GD-CLFs in the context of quadratic programming (QP) to generate the safe feedback motion planning strategy. Rather importantly, an optimization over the admissible control space of IL-CBFs is conducted to enhance the solution feasibility of QP. The SFMP strategy is developed with theoretically guaranteed collision avoidance and convergence to destinations. Numerical simulations are conducted to reveal the effectiveness of the proposed SFMP strategy that drives mobile robots to safely reach the destination incrementally in diverse prior-unknown environments.

研究动机与目标

• 通过在统一框架中整合感知与控制，消除传统地图-规划-跟踪架构中的级联误差。
• 实现在无先验环境地图的未知、不确定环境中的安全自主导航。
• 通过在线学习的控制屏障函数与李雅普诺夫函数，确保理论上的安全性与向目标的收敛性。
• 通过扩大共享控制空间，提升基于二次规划的控制综合的可行性，以应对多重约束。
• 开发一种计算成本低、适用于低端机器人平台的实时控制策略。

提出的方法

• 从障碍物边界数据等感知信号中在线学习瞬时局部控制屏障函数（IL-CBFs），以表征潜在碰撞。
• 利用从传感输入中增量式发现的子目标构建目标驱动的控制李雅普诺夫函数（GD-CLFs），以指导长时程导航。
• 在二次规划（QP）框架内联合优化IL-CBFs与GD-CLFs，生成安全且可行的控制输入。
• 扩大共享控制空间，以提升在控制输入约束下QP优化的可行性。
• 采用多项式基函数（如 Φ = [1, x, x²]）和学习得到的参数（如 α*）来表示IL-CBFs，并适应动态环境。
• 实施两阶段算法：算法1用于IL-CBF学习，算法2基于距离最小化实现子目标发现。

实验结果

研究问题

• RQ1 能否从部分、实时的传感器数据中在线有效学习IL-CBFs，以确保在未知环境中实现避碰？
• RQ2 如何从传感输入中增量式发现子目标，以实现在无全局地图知识下的长时程导航？
• RQ3 在结合多个CBF与CLF约束时，通过扩大共享控制空间能否提升基于QP的控制综合的可行性？
• RQ4 在线学习的IL-CBFs与GD-CLFs的集成是否能保证在迷宫等复杂环境中实现安全与收敛？
• RQ5 该方法在典型低成本机器人平台常见的计算与传感器限制下表现如何？

主要发现

• 在室外动态障碍物场景中，移动机器人成功导航至目标位置，通过依次发现的子目标实现路径规划。
• 在室内迷宫环境中，机器人即使在复杂几何结构和多个潜在碰撞区域下，也实现了安全导航并成功抵达目标位置。
• 当最短路径启发式策略导致次优路径时，该控制策略仍能维持安全轨迹，如图10(a)中蓝框所示。
• QP公式中优化后的参数 α* 动态演化，反映了导航过程中安全与性能权衡的自适应调整。
• 该方法对环境不确定性与传感器噪声表现出鲁棒性，在两种仿真场景中均未发生碰撞。
• 通过扩大共享控制空间，QP的可行性显著提升，实现了在输入约束下的稳定实时控制。