SICNav: Safe and Interactive Crowd Navigation using Model Predictive Control and Bilevel Optimization
作者: Sepehr Samavi, James R. Han, Florian Shkurti, Angela P. Schoellig
分类: cs.RO
发布日期: 2023-10-17 (更新: 2025-03-11)
备注: Published in the IEEE Transactions on Robotics (T-RO)
期刊: Published 22 October 2024
💡 一句话要点
提出SICNav以解决人群导航中的安全与互动问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 模型预测控制 人群导航 安全性 互动性 最优互惠避碰 非线性优化 机器人技术
📋 核心要点
- 现有方法通常将人类运动预测与机器人运动规划分开，导致机器人在复杂环境中可能被困。
- 本文提出SICNav，通过模型预测控制方法联合解决机器人与人群的运动，提升了导航的安全性与互动性。
- 在仿真环境和真实机器人实验中，SICNav展示了安全的机器人运动，并能够有效影响周围人群的行为。
📝 摘要（中文）
机器人在拥挤环境中导航时，需要预测和反应人类的运动以避免碰撞。现有方法往往将预测与规划分开，未考虑机器人与人类运动之间的互动，可能导致机器人被困。本文提出SICNav，一种基于模型预测控制（MPC）的方法，能够在闭环中联合解决机器人运动与预测人群运动的问题。我们将每个行人建模为遵循最优互惠避碰（ORCA）方案，并将该模型嵌入机器人局部规划器中，从而形成一个双层非线性MPC优化问题。通过KKT重构将双层问题转化为单层问题，并使用非线性求解器进行优化。实验结果表明，SICNav能够在单机器人多人的环境中影响行人运动，同时显式满足安全约束。
🔬 方法详解
问题定义：本文旨在解决机器人在拥挤环境中导航时的安全性与互动性问题。现有方法未能有效结合人类运动预测与机器人运动规划，导致机器人可能被困于复杂场景中。
核心思路：SICNav采用模型预测控制（MPC）方法，联合解决机器人运动与人群运动的预测问题。通过将人类运动建模为遵循ORCA方案的行为，增强了机器人与人群的互动。
技术框架：整体架构包括人类运动建模、局部规划器与MPC优化模块。首先，机器人根据ORCA模型预测人类运动，然后在此基础上进行运动规划，最终通过MPC优化实现安全导航。
关键创新：SICNav的主要创新在于将人类运动预测嵌入机器人局部规划中，形成双层非线性优化问题，并通过KKT重构简化为单层问题，显著提升了导航的安全性与互动性。
关键设计：在设计中，采用了KKT条件重构技术，确保了优化过程中的安全约束满足。此外，使用非线性求解器进行优化，提升了计算效率与实时性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，SICNav在仿真环境中与传统方法相比，能够显著提升机器人在复杂人群中的导航安全性，减少碰撞事件。同时，在真实机器人实验中，SICNav成功影响了周围人群的运动，验证了其有效性与实用性。
🎯 应用场景
该研究具有广泛的应用潜力，尤其在服务机器人、自动驾驶汽车和人机协作等领域。通过提升机器人在拥挤环境中的导航能力，能够有效改善人机交互体验，增强安全性，推动智能机器人技术的实际应用与发展。
📄 摘要（原文）
Robots need to predict and react to human motions to navigate through a crowd without collisions. Many existing methods decouple prediction from planning, which does not account for the interaction between robot and human motions and can lead to the robot getting stuck. We propose SICNav, a Model Predictive Control (MPC) method that jointly solves for robot motion and predicted crowd motion in closed-loop. We model each human in the crowd to be following an Optimal Reciprocal Collision Avoidance (ORCA) scheme and embed that model as a constraint in the robot's local planner, resulting in a bilevel nonlinear MPC optimization problem. We use a KKT-reformulation to cast the bilevel problem as a single level and use a nonlinear solver to optimize. Our MPC method can influence pedestrian motion while explicitly satisfying safety constraints in a single-robot multi-human environment. We analyze the performance of SICNav in two simulation environments and indoor experiments with a real robot to demonstrate safe robot motion that can influence the surrounding humans. We also validate the trajectory forecasting performance of ORCA on a human trajectory dataset.