用于先验未知环境中安全性的时变软最大值控制障碍函数

本文提出一种时变软最大值复合控制障碍函数（CBF），可用于在先验未知环境中确保安全，其中关于安全集的局部感知信息被周期性获取。我们考虑如下场景：周期性获取的感知反馈可用于构造一个局部 CBF，该 CBF 对未知安全集的一个局部子集进行建模。然后，我们使用一种新颖的光滑时变软最大值函数，将最近获取的 N 个局部 CBF 组合为单个 CBF。该复合 CBF 对安全集最近获取的 N 个局部子集的近似并集进行建模。值得注意的是，该复合 CBF 可具有任意相对阶 r。接下来，该复合 CBF 被用作实时优化中的 r 阶 CBF 约束，以确定在保证状态停留在未知安全集的时变子集中的同时使二次代价最小化的控制。我们还给出了时变软最大值复合 CBF 方法在一个具有不可忽略惯性的非完整地面机器人上的应用。在该应用中，我们提出了一种从周期性获取的感知数据生成局部 CBF 的简单方法。