[论文解读] Toward Safety-Aware Informative Motion Planning for Legged Robots

Sangli Teng, Yukai Gong+2 more|arXiv (Cornell University)|Mar 26, 2021

Robotic Path Planning Algorithms参考文献 52被引用 22

一句话总结

本文提出SAFE-IIG，一种面向腿式机器人的安全感知、信息感知运动规划框架，通过将离散时间控制屏障函数（DCBF）与模型预测控制（MPC）相结合，实现多步、动态可行轨迹生成。通过将DCBF-MPC与增量式探索信息获取（IIG）算法融合，该规划器在确保安全与稳定的同时，最大化从随机地图中获取的信息量，在无需重规划的仿真中实现了无碰撞、动态可行的路径。

ABSTRACT

This paper reports on developing an integrated framework for safety-aware informative motion planning suitable for legged robots. The information-gathering planner takes a dense stochastic map of the environment into account, while safety constraints are enforced via Control Barrier Functions (CBFs). The planner is based on the Incrementally-exploring Information Gathering (IIG) algorithm and allows closed-loop kinodynamic node expansion using a Model Predictive Control (MPC) formalism. Robotic exploration and information gathering problems are inherently path-dependent problems. That is, the information collected along a path depends on the state and observation history. As such, motion planning solely based on a modular cost does not lead to suitable plans for exploration. We propose SAFE-IIG, an integrated informative motion planning algorithm that takes into account: 1) a robot's perceptual field of view via a submodular information function computed over a stochastic map of the environment, 2) a robot's dynamics and safety constraints via discrete-time CBFs and MPC for closed-loop multi-horizon node expansions, and 3) an automatic stopping criterion via setting an information-theoretic planning horizon. The simulation results show that SAFE-IIG can plan a safe and dynamically feasible path while exploring a dense map.

研究动机与目标

• 解决现有基于采样的信息感知运动规划在腿式机器人中缺乏安全性和动态可行性的不足。
• 通过控制屏障函数与模型预测控制，将腿式机器人动力学与安全约束整合到信息获取规划中。
• 开发一种基于滚动时域、多步的规划器，实现在保持安全与信息最大化的同时的闭环节点扩展。
• 基于信息论准则自动停止，避免不必要的探索。
• 通过Cassie系列双足机器人高保真仿真，验证所规划轨迹的可行性和鲁棒性。

提出的方法

• 使用离散时间控制屏障函数（DCBF）以确保安全集的前向不变性，从而实现避碰与稳定性。
• 采用滚动时域模型预测控制（MPC）生成多步、动态可行的轨迹，用于节点扩展。
• 将DCBF-MPC规划器集成到增量式探索信息获取（IIG）框架中，实现安全关键、信息最大化路径规划。
• 利用子模函数对环境的密集随机地图计算信息增益，以优先选择信息量高的路径。
• 基于信息论停止准则设定规划时域，当进一步增益可忽略时终止探索。
• 采用简化的LIP模型并引入角动量反馈实现低层控制，支持对规划航点与速度的闭环跟踪。

实验结果

研究问题

• RQ1 如何在基于采样的腿式机器人信息感知运动规划中，形式化编码安全与动态可行性？
• RQ2 基于DCBF-MPC的多步闭环轨迹规划器是否相比单步贪心方法能提升路径质量与安全性？
• RQ3 如何有效将随机地图中的信息增益整合到安全感知、运动学与动力学可行的规划框架中？
• RQ4 规划器能否基于信息论准则自动判断何时停止探索，而无需预先了解环境？
• RQ5 所规划的轨迹在闭环中由腿式机器人控制器跟踪时，其跟踪性能在无需重规划的情况下可达到何种程度？

主要发现

• SAFE-IIG成功在复杂环境中为Cassie系列双足机器人模型规划出无碰撞、动态可行的路径。
• 质心（CoM）位置的闭环路径跟踪误差保持在0.05 m以内，表明无需重规划即可实现高精度跟踪。
• 在单障碍物环境中，开环跟踪漂移在124步内小于0.8 m；在包含115步的洞穴地图中，漂移小于0.4 m。
• 与基线RRT-DCBF-MPC相比，该规划器生成的轨迹更平滑，路径偏差更小，稳定性更优。
• DCBF-MPC的集成实现了安全的多步节点扩展，确保每个新节点均满足动态可行性和无碰撞要求。
• 信息论停止准则能有效在信息增益趋于最小时终止探索，显著提升规划效率。