基于场景采样的腿式机器人安全测试、验证与表征：一个案例研究

腿式机器人运动的动态响应是非 Lipschitz 的，并且可能因环境不确定性而具有随机性。为测试、验证和表征腿式机器人的安全性能，现有的基于观测与推断风险的方法可能不完整且采样效率低。一些形式化验证方法受限于模型精度与其他代理假设。本文提出一种基于场景采样的测试框架，通过指定（i）机器人在哪些状态集内潜在安全，以及（ii）机器人在该指定集内有多安全，来表征腿式机器人的整体安全性能。该框架还可帮助认证腿式机器人在真实环境中与人共存的商用部署，并比较具有不同机械结构与动态特性的腿式机器人间的安全性能。所提框架进一步被部署用于评估文献中来自各类基于模型、深度神经网络参与及基于强化学习的方法的一组最先进腿式机器人运动控制器。在所研究腿式机器人一系列预期工作域（如斜坡上的跟踪速度、需求速度的突变、以及对抗推倒扰动）中，我们表明该方法能充分捕获整体安全表征与细微性能洞见。据我们所知，许多观测到的安全结果从未被现有腿式机器人文献所报道。