[论文解读] SafeGuardPF: Safety Guaranteed Reactive Potential Fields for Mobile Robots in Unknown and Dynamic Environments

Rafael Rodrigues da Silva, Samuel Silva+2 more|arXiv (Cornell University)|Sep 22, 2016

Robotic Path Planning Algorithms参考文献 13被引用 4

一句话总结

本文提出 SafeGuardPF，一种计算高效的移动机器人反应式势场控制器，适用于未知且动态的环境，通过形式化验证保证被动安全。通过将控制器建模为混合自动机并使用微分动态逻辑进行验证，该方法确保只有当机器人静止时才可能发生碰撞，且仅依赖于与最近障碍物点的实时相对状态数据。

ABSTRACT

An autonomous navigation with proven collision avoidance in unknown and dynamic environments is still a challenge, particularly when there are moving obstacles. A popular approach to collision avoidance in the face of moving obstacles is based on model predictive algorithms, which, however, may be computationally expensive. Hence, we adopt a reactive potential field approach here. At every cycle, the proposed approach requires only current robot states relative to the closest obstacle point to find the potential field in the current position; thus, it is more computationally efficient and more suitable to scale up for multiple agent scenarios. Our main contribution here is to write the reactive potential field based motion controller as a hybrid automaton, and then formally verify its safety using differential dynamic logic. In particular, we can guarantee a passive safety property, which means that collisions cannot occur if the robot is to blame, namely a collision can occur only if the robot is at rest. The proposed controller and verification results are demonstrated via simulations and implementation on a Pioneer P3-AT robot.

研究动机与目标

• 解决在动态、未知环境中移动机器人反应式局部路径规划缺乏形式化安全保证的问题。
• 在存在移动障碍物的场景下，克服模型预测控制（MPC）带来的计算负担，同时保持安全性。
• 开发一种反应式势场控制器，保证被动安全——即仅在机器人静止时才可能发生碰撞——且无需了解障碍物的意图。
• 通过仅计算最近障碍物点的信息，最小化每周期计算量，确保多智能体系统的可扩展性。
• 使用微分动态逻辑（d$δ$-演算）进行形式化验证，实现真实世界安全关键应用中可证明的安全性。

提出的方法

• 将反应式势场控制器建模为混合自动机，以捕捉离散与连续动力学。
• 应用微分动态逻辑（d$δ$-演算）进行形式化验证，确保被动安全性，即只要机器人未移动，就不会发生碰撞。
• 利用先前工作（[19] 中的模型2）中的约束推导出安全速度边界，该约束依赖于机器人到最近障碍物点的当前距离和相对角度。
• 设计势场以在尊重安全速度约束的前提下，最大化朝向目标的平动速度，确保最优且安全的运动。
• 仅使用实时机器人状态数据——当前平动速度 $v$、到最近障碍物点的相对距离 $d$ 和角度 $α$——避免障碍物预测或轨迹估计的需求。
• 在 Pioneer P3-AT 机器人上实现控制器，并通过仿真和真实世界实验验证，应对不可预测的人类障碍物。

实验结果

研究问题

• RQ1 能否对反应式势场控制器进行形式化验证，以确保在动态、未知环境中实现被动安全？
• RQ2 如何在不依赖障碍物意图或未来轨迹信息的情况下确保安全性？
• RQ3 保证安全性的同时，维持计算效率所需的最少数值实时状态信息是什么？
• RQ4 所提出的方法能否在不增加每周期计算成本的前提下扩展至多智能体场景？
• RQ5 在具有不可预测人类运动的真实场景中，控制器的性能如何？

主要发现

• 通过使用微分动态逻辑的形式化验证，SafeGuardPF 控制器保证了被动安全，确保只有当机器人静止时才可能发生碰撞。
• 该方法仅依赖于当前相对状态数据（距离 $d$、角度 $α$ 和速度 $v$）到最近障碍物点，实现计算高效，并可扩展至多智能体系统。
• 仿真和真实世界实验（使用 Pioneer P3-AT 机器人）表明，该方法成功避免了与不可预测人类障碍物的碰撞，包括在人类接近时减速、在人类通过时自适应转向。
• 控制器能动态调整速度，以在障碍物以最大速度 $V$ 移动时仍保持安全停止距离，且无需预知其未来行为。
• 该方法避免了昂贵的在线优化或轨迹预测，转而依赖于基于障碍物最大速度的离线验证安全速度边界。
• 结果表明，机器人在复杂场景中（包括与人类共享的工作空间）成功抵达目标，且在所有测试条件下均保持了安全性。