Safe Robot Control using Occupancy Grid Map-based Control Barrier Function (OGM-CBF)
作者: Golnaz Raja, Teemu Mökkönen, Reza Ghabcheloo
分类: cs.RO
发布日期: 2024-05-17 (更新: 2024-09-13)
💡 一句话要点
提出基于栅格地图控制屏障函数的安全机器人控制方法，解决未知环境下的安全控制问题
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 控制屏障函数 栅格地图 有符号距离函数 安全控制 机器人 未知环境 自主导航
📋 核心要点
- 现有控制屏障函数（CBF）方法通常假设环境已知，难以应对未知环境下的机器人安全控制挑战。
- 该方法结合栅格地图（OGM）和有符号距离函数（SDF）构建CBF，直接从传感器输入保障机器人安全。
- 在CARLA仿真和真实机器人实验中验证了该方法的有效性，能够处理复杂形状障碍物并保障机器人安全。
📝 摘要（中文）
本文提出了一种在未知环境中实现安全机器人控制的方法。该方法利用控制屏障函数（CBF）来保证系统的安全性，并直接从感知传感器的输入构建CBF，无需预定义障碍物信息。针对3D运动学机器人模型，提出了一种新的基于一阶屏障函数的控制方法。该CBF的构建结合了栅格地图（OGM）和有符号距离函数（SDF）。OGM框架抽象了传感器输入，使其兼容任何能够生成栅格地图的传感器。OGM通过整合当前和先前映射的数据，增强了机器人运动轨迹上的情境感知能力。SDF将OGM定义的复杂障碍物形状封装成实时可计算的值，使得该方法能够处理任意形状的障碍物。这使得CBF-QP优化中，机器人上的每个点只需要一个约束，而无需考虑障碍物的数量或形状。通过在CARLA模拟器上进行自动驾驶仿真以及使用工业移动机器人的真实实验（简化为2D版本）验证了该方法的有效性。
🔬 方法详解
问题定义：在未知环境中，如何保证机器人在运动过程中的安全性，避免与障碍物发生碰撞？传统的CBF方法依赖于对环境的精确建模，这在实际应用中往往难以实现。现有的基于感知的CBF方法可能难以处理复杂形状的障碍物，或者需要大量的计算资源。
核心思路：该论文的核心思路是将传感器获取的原始数据转换为栅格地图（OGM），然后利用OGM构建有符号距离函数（SDF），最后基于SDF设计控制屏障函数（CBF）。通过这种方式，可以将复杂的环境信息转化为CBF约束，从而保证机器人的安全运动。
技术框架：该方法主要包含以下几个模块：1) 传感器数据获取：通过传感器获取环境信息。2) 栅格地图构建：将传感器数据转换为栅格地图（OGM），表示环境中的占用情况。3) 有符号距离函数计算：基于OGM计算有符号距离函数（SDF），表示机器人到障碍物的距离。4) 控制屏障函数设计：基于SDF设计CBF，保证机器人的安全运动。5) 优化求解：通过二次规划（QP）求解器，得到满足CBF约束的最优控制输入。
关键创新：该方法最重要的创新点在于将OGM和SDF结合起来构建CBF。传统的CBF方法通常需要对环境进行精确建模，而该方法可以直接从传感器数据构建CBF，无需预先知道环境信息。此外，使用SDF可以有效地处理复杂形状的障碍物，并且只需要对机器人上的每个点施加一个约束，降低了计算复杂度。
关键设计：该方法的关键设计包括：1) 栅格地图的分辨率：栅格地图的分辨率会影响环境信息的精度和计算复杂度。2) 有符号距离函数的计算方法：SDF的计算方法会影响CBF的性能。3) CBF的设计：CBF的设计需要保证机器人的安全性和运动性能。4) 二次规划求解器的选择：QP求解器的选择会影响控制器的实时性。
🖼️ 关键图片
📊 实验亮点
该方法在CARLA模拟器和真实机器人实验中进行了验证。实验结果表明，该方法能够有效地处理复杂形状的障碍物，并保证机器人在未知环境中的安全运动。在简化为2D版本的真实机器人实验中，验证了该方法在实际应用中的可行性。
🎯 应用场景
该研究成果可应用于各种需要在未知或动态环境中安全运行的机器人系统，例如自动驾驶汽车、移动机器人、无人机等。通过利用传感器数据实时构建安全约束，可以提高机器人在复杂环境中的适应性和安全性，降低事故发生的风险，具有重要的实际应用价值和广阔的应用前景。
📄 摘要（原文）
Safe control in unknown environments is a significant challenge in robotics. While Control Barrier Functions (CBFs) are widely used to guarantee system safety, they often assume known environments with predefined obstacles. The proposed method constructs CBFs directly from perception sensor input and introduces a new first-order barrier function for a 3D kinematic robot motion model. The proposed CBF is constructed by combining Occupancy Grid Mapping (OGM) and Signed Distance Functions (SDF). The OGM framework abstracts sensor inputs, making the solution compatible with any sensor modality capable of generating occupancy maps. Moreover, the OGM enhances situational awareness along the robot's motion trajectory, by integrating both current and previously mapped data. The SDF encapsulates complex obstacle shapes defined by OGM into real-time computable values, enabling the method to handle obstacles of arbitrary shapes. This enables a single constraint in the CBF-QP optimization for each point on the robot, regardless of the number or shape of obstacles. The effectiveness of the proposed approach is demonstrated through simulations on autonomous driving in the CARLA simulator and real-world experiments with an industrial mobile robot, using a simplified 2D version of the method.