Flexible Active Safety Motion Control for Robotic Obstacle Avoidance: A CBF-Guided MPC Approach

本文提出了一种灵活的主动安全运动（FASM）控制方法，用于机器人操作器中动态障碍物的避免和参考轨迹的跟踪。该方法的独特之处在于利用控制障碍函数（CBF）来设计具有动态优化衰减率的灵活CBF引导的安全准则（CBFSC），从而为机器人操作器在动态环境中提供灵活性和主动安全性。首先，采用离散时间CBF来为机器人操作器制定具有动态衰减率的新型灵活CBFSC。随后，应用模型预测控制（MPC）理念，将灵活CBFSC作为安全约束集成到滚动优化问题中。重要的是，所设计的CBFSC的衰减率被纳入优化问题的决策变量中，从而在障碍物避免过程中实现动态灵活性增强。特别地，设计了一种新颖的成本函数，将惩罚项集成到其中，以动态调整CBFSC的安全边界。最后，使用Universal Robots 5（UR5）操作器在各种场景中进行实验，以验证所提出方法的有效性。

该论文旨在提出一种灵活的主动安全运动控制方法，以解决机器人操作中的动态障碍物避免和参考轨迹跟踪问题。

该论文的关键思路是利用控制障碍函数（CBF）设计具有动态优化衰减率的灵活CBF引导的安全准则（CBFSC），从而为机器人操作在动态环境中提供灵活性和主动安全。

该论文采用离散时间CBF来制定新型的具有动态衰减率的机器人操作灵活CBFSC。接着，将模型预测控制（MPC）哲学应用于将灵活CBFSC作为安全约束集成到递推优化问题中。设计了一个新颖的成本函数来动态调整CBFSC的安全边界。最后，使用Universal Robots 5（UR5）机械臂在各种场景下进行实验以验证所提出的方法的有效性。

最近的相关研究包括：“基于模糊逻辑的机器人避障控制方法”、“基于深度学习的机器人避障方法”等。