Robot Safe Planning In Dynamic Environments Based On Model Predictive Control Using Control Barrier Function

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）是处理这种问题的一种流行策略，最近的研究主要使用控制障碍函数（CBF）作为硬约束条件，以确保系统状态保持在安全集合中。然而，在拥挤的场景中，由于不可行性问题，可能无法获得有效的解决方案，导致控制器性能下降。我们提出了一种新的MPC框架，将CBF集成在一起，以解决动态环境下的避障问题。在预测时间范围内硬约束的不可行性问题通过软化约束和引入精确惩罚来解决，促使机器人积极寻找新路径。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出方法的有效性，其中使用了双积分系统和单车系统，所提出的方法在安全性、可行性和导航效率方面优于其他控制器。此外，还在MR1000机器人上实现了真实世界实验，证明了所提出方法的有效性。

论文旨在解决机器人在动态环境中的避障问题，特别是在拥挤场景下，硬约束可能导致不可行性问题，从而降低控制器的性能。

论文提出了一种新的MPC框架，将CBF集成到其中，通过软化约束和引入精确惩罚来解决整个预测时间内的不可行性问题，同时将广义CBF扩展为控制器的单步安全约束，以提高机器人在导航过程中的安全性。

论文通过仿真实验和MR1000机器人的实际实验验证了所提出方法的有效性，证明该方法在安全性、可行性和导航效率等方面优于其他控制器。同时，论文还提出了一些值得关注的问题和工作方向，如如何在更复杂的场景下应用该方法等。

最近的相关研究包括使用深度学习方法进行机器人避障、使用强化学习方法进行机器人导航等。