Safe Expeditious Whole-Body Control of Mobile Manipulators for Collision Avoidance
作者: Bingjie Chen, Yancong Wei, Rihao Liu, Chenxi Han, Houde Liu, Chongkun Xia, Liang Han, Bin Liang
分类: cs.RO
发布日期: 2024-09-23 (更新: 2025-07-28)
💡 一句话要点
提出ACI方法，解决移动机械臂全身控制中的伪平衡问题和动态避障难题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 移动机械臂 全身控制 动态避障 控制屏障函数 二次规划
📋 核心要点
- 移动机械臂全身控制面临动态避障难题，传统CBF方法易陷入伪平衡，难以有效应对动态障碍。
- 提出自适应循环不等式（ACI）方法，结合障碍物速度和机器人控制，定义方向性安全约束，避免伪平衡。
- 实验验证ACI在复杂动态环境下的有效性，包括躲避挥舞的棍子和投掷物，并集成自碰撞避免。
📝 摘要（中文）
本文针对移动机械臂（MM）全身反应式避障这一开放性研究问题，提出了一种新的解决方案。传统的基于控制屏障函数（CBF）和二次规划（QP）的方法虽然在安全保证方面表现出色，但常遇到伪平衡问题（PEP），并且在处理动态障碍物时效果不佳。为了克服这些挑战，我们引入了自适应循环不等式（ACI）方法。ACI综合考虑了障碍物的速度和机器人的标称控制，从而定义了一个方向性的安全约束。当添加到CBF-QP中时，ACI有助于避免PEP，并能够在动态环境中实现可靠的避障。我们在一个包含低维移动底座和高维机械臂的MM上验证了该方法的有效性和通用性。此外，我们还集成了一种简单而有效的自碰撞避免方法，从而实现了机器人全面的全身无碰撞操作。大量的基准比较和实验表明，我们的方法在未知和动态场景中表现良好，包括躲避人类挥舞的棍子和快速投掷的物体等困难任务。
🔬 方法详解
问题定义：移动机械臂的全身控制需要同时考虑运动学约束、动力学约束以及环境中的障碍物。现有的基于CBF的方法在处理动态障碍物时，容易陷入伪平衡问题（PEP），导致机器人无法有效地避开障碍物，甚至可能发生碰撞。此外，传统的CBF方法通常忽略了障碍物的运动信息，使得避障策略过于保守或反应迟缓。
核心思路：本文的核心思路是引入自适应循环不等式（ACI），通过显式地考虑障碍物的速度和机器人的标称控制，来动态调整安全约束。ACI方法能够预测障碍物未来的运动轨迹，并根据预测结果调整机器人的控制策略，从而避免PEP，并实现更积极和有效的避障。
技术框架：整体框架基于CBF-QP，首先利用CBF构建基本的安全约束，然后将ACI作为附加约束添加到QP问题中。该框架包含以下主要模块：1) 障碍物感知模块：用于检测和跟踪环境中的障碍物，并估计其速度；2) 标称控制模块：用于生成机器人的期望运动轨迹；3) ACI计算模块：根据障碍物速度和标称控制计算ACI约束；4) QP求解器：求解包含CBF和ACI约束的QP问题，得到安全且优化的控制指令。
关键创新：最重要的技术创新点在于ACI的引入。与传统的CBF方法相比，ACI能够动态地调整安全约束，从而避免PEP，并提高机器人在动态环境中的避障能力。ACI方法本质上是一种预测性的避障策略，它能够根据障碍物的运动趋势来调整机器人的控制策略，从而实现更积极和有效的避障。
关键设计：ACI的关键设计在于如何根据障碍物的速度和机器人的标称控制来计算安全约束。具体而言，ACI约束的形式为一个不等式，该不等式要求机器人与障碍物之间的距离在未来一段时间内始终大于一个安全阈值。该安全阈值的大小取决于障碍物的速度和机器人的标称控制，从而实现自适应的避障策略。此外，论文还设计了一种简单而有效的自碰撞避免方法，通过在QP问题中添加额外的约束来避免机器人自身的碰撞。
🖼️ 关键图片
📊 实验亮点
实验结果表明，所提出的ACI方法在动态避障任务中表现出色。与传统的CBF方法相比，ACI能够更有效地避免PEP，并实现更积极的避障。在躲避人类挥舞的棍子和快速投掷的物体的实验中，ACI方法能够成功地避免碰撞，而传统的CBF方法则经常失败。此外，该方法还能够有效地避免机器人自身的碰撞，从而实现全面的全身无碰撞操作。
🎯 应用场景
该研究成果可应用于各种需要在复杂动态环境中安全操作的移动机器人，例如：仓储物流中的自主搬运机器人、医疗领域的辅助机器人、以及灾难救援中的搜救机器人。通过提高机器人在动态环境中的避障能力，可以显著提升机器人的工作效率和安全性，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）
Whole-body reactive obstacle avoidance for mobile manipulators (MM) remains an open research problem. Control Barrier Functions (CBF), combined with Quadratic Programming (QP), have become a popular approach for reactive control with safety guarantees. However, traditional CBF methods often face issues such as pseudo-equilibrium problems (PEP) and are ineffective in handling dynamic obstacles. To overcome these challenges, we introduce the Adaptive Cyclic Inequality (ACI) method. ACI takes into account both the obstacle's velocity and the robot's nominal control to define a directional safety constraint. When added to the CBF-QP, ACI helps avoid PEP and enables reliable collision avoidance in dynamic environments. We validate our approach on a MM that includes a low-dimensional mobile base and a high-dimensional manipulator, demonstrating the generality of the framework. In addition, we integrate a simple yet effective method for avoiding self-collisions, allowing the robot enabling comprehensive whole-body collision-free operation. Extensive benchmark comparisons and experiments demonstrate that our method performs well in unknown and dynamic scenarios, including difficult tasks like avoiding sticks swung by humans and rapidly thrown objects.