基于控制障碍函数的模型预测控制在动态环境中的机器人安全规划
机器人学
2024-04-10 v1
摘要
在动态环境中实现避障是机器人面临的一个具有挑战性的问题。模型预测控制（MPC）是处理这类问题的流行策略，最近的工作主要使用控制障碍函数（CBF）作为硬约束，以确保系统状态保持在安全集内。然而，在拥挤场景中，由于不可行性问题，可能无法获得有效解，导致控制器性能下降。我们提出了一种新的MPC框架，集成了CBF来解决动态环境中的避障问题，其中通过软化约束并引入精确罚函数来解决整个预测范围内硬约束导致的不可行性问题，促使机器人主动寻找新路径。同时，将广义CBF扩展为控制器的单步安全约束，以增强机器人在导航过程中的安全性。首先通过仿真实验展示了所提方法的有效性，其中采用了双积分器系统和独轮车系统，所提方法在安全性、可行性和导航效率方面优于其他控制器。此外，在MR1000机器人上进行了真实世界实验，以证明所提方法的有效性。
引用
@article{arxiv.2404.05952,
title = {Robot Safe Planning In Dynamic Environments Based On Model Predictive Control Using Control Barrier Function},
author = {Zetao Lu and Kaijun Feng and Jun Xu and Haoyao Chen and Yunjiang Lou},
journal= {arXiv preprint arXiv:2404.05952},
year = {2024}
}