基于学习的多备份控制障碍函数安全人机协作框架

由于力矩边界等驱动限制，在复杂环境中确保机器人安全是一项困难任务。本文提出一种安全关键控制框架，其利用基于学习的多个备份控制器间切换，在有界控制输入下形式化保证安全，同时满足驾驶员意图。通过利用旨在维持安全与输入约束的备份控制器，备份控制障碍函数（BCBF）借助可行的二次规划（QP）隐式定义控制不变集。然而，BCBF 性能在很大程度上取决于所选备份控制器的设计与保守性，尤其在我们将人类驾驶车辆置于复杂（如越野）条件的设定中。虽然使用多个备份控制器可降低保守性，但确定切换时机仍是一个开放问题。为此，我们开发了一种广播方案，用于估计驾驶员意图并将 BCBF 与多备份策略集成以用于人机交互。一个 LSTM 分类器利用来自机器人、人类与安全算法的数据输入，实时持续选择备份控制器。我们在双履带机器人的避障场景中证明了方法的有效性。我们的框架在保证遵循驾驶员意图的同时确保机器人安全。