FORMULA：基于神经障碍学习的安全保证多机器人编队模型预测控制
机器人学
2026-05-06 v2 多智能体系统
摘要
多机器人系统（MRS）对于灾难响应、物料搬运和仓库物流等大规模应用至关重要，但在杂乱和动态环境中确保鲁棒的、具备安全意识的编队控制仍然是一个重大挑战。现有的模型预测控制（MPC）方法在可扩展性和可证明安全性方面存在局限，而控制障碍函数（CBF）虽然在安全执行方面原理明确，但难以针对大规模非线性系统进行手工设计。本文提出 FORMULA，一个安全的分布式、学习增强的预测控制框架，将 MPC 与控制李雅普诺夫函数（CLF）结合以实现稳定性，将基于神经网络的 CBF 结合以实现分散式安全性，从而消除手动安全约束设计。该方案在避障过程中保持编队完整性，解决密集配置中的死锁问题，并降低在线计算负载。仿真结果表明，FORMULA 能够在复杂环境中实现可扩展的、具备安全意识的、保持编队的多机器人导航。
引用
@article{arxiv.2604.04409,
title = {FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance},
author = {Qintong Xie and Weishu Zhan and Peter Chin},
journal= {arXiv preprint arXiv:2604.04409},
year = {2026}
}
备注
Accepted to IEEE Intelligent Vehicles Symposium (IV) 2026