学习轻推：稠密堆积环境中安全机器人交互的可扩展屏障函数框架
机器人学
2026-01-07 v1
摘要
在日常环境中运行的机器人必须在密集堆积的空间中导航和操作，物理接触不可避免。传统安全框架将接触视为不安全的，限制机器人仅能进行碰撞规避，限制其在密集日常环境中的功能。随着物体数量的增加，基于模型的安全方法变得计算不可行；而学习方法通常将安全性与具体任务绑定，导致在新任务中难以迁移而无需重新训练。在本工作中，我们引入稠密接触屏障函数（DCBF）。我们的做法通过学习可组合、对象中心的函数来隐式捕获由物理相互作用产生的安全约束，从而规避对多对象动力学的显式建模导致的计算复杂度。该方法在少数物体互动的离线训练后，能够在运行时跨任意对象集合组合，产生一个线性扩展且可跨任务迁移的全局安全过滤器。我们通过稠密堆积环境的仿真实验验证了该方法，展示了其在合适环境下实现无碰撞导航和安全接触丰富交互的能力。
引用
@article{arxiv.2601.02686,
title = {Learning to Nudge: A Scalable Barrier Function Framework for Safe Robot Interaction in Dense Clutter},
author = {Haixin Jin and Nikhil Uday Shinde and Soofiyan Atar and Hongzhan Yu and Dylan Hirsch and Sicun Gao and Michael C. Yip and Sylvia Herbert},
journal= {arXiv preprint arXiv:2601.02686},
year = {2026}
}