面向类汽车机器人的基于学习的控制障碍函数：迈向更少保守的碰撞避免
机器人学
2025-11-11 v2 多智能体系统
系统与控制
系统与控制
摘要
我们提出了一种基于学习的控制障碍函数（CBF），以减少类汽车机器人碰撞避免中的保守性。传统 CBF 常使用机器人中心间的欧氏距离作为安全边界，这忽略了它们的朝向，并将几何形状近似为圆。虽然这种简化满足了 CBF 的光滑性和可微性要求，但在稠密环境中可能导致过度保守的行为。我们通过设计同时考虑机器人朝向和实际形状的安全边界来解决这一问题，从而实现对安全区域的更精确估计。由于该安全边界不可微，我们用神经网络对其进行近似以保证可微性。此外，我们提出了一种相对动力学概念，使学习过程变得易于处理。在一个案例研究中，我们为将这一概念应用于非线性运动学自行车模型建立了理论基础。超车和绕行场景的数值实验表明，我们的方法减少了保守性（例如绕行所需横向空间减少 33.5%），而不会带来显著的额外计算时间。代码：https://github.com/bassamlab/sigmarl
引用
@article{arxiv.2411.08999,
title = {A Learning-Based Control Barrier Function for Car-Like Robots: Toward Less Conservative Collision Avoidance},
author = {Jianye Xu and Bassam Alrifaee},
journal= {arXiv preprint arXiv:2411.08999},
year = {2025}
}
备注
8 pages, 8 figures