DTAA: A Detect, Track and Avoid Architecture for navigation in spaces with Multiple Velocity Objects

📄 arXiv: 2412.08121v2 📥 PDF

作者: Samuel Nordström, Björn Lindquist, George Nikolakopoulos

分类: cs.RO

发布日期: 2024-12-11 (更新: 2025-11-03)

💡 一句话要点

提出DTAA架构，解决多运动目标场景下机器人安全导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 机器人导航 目标检测 目标跟踪 模型预测控制 人机协作 动态避障 卡尔曼滤波

📋 核心要点

  1. 现有方法在复杂动态环境中，尤其是在存在多个速度相近的运动目标时，难以保证机器人安全导航。
  2. DTAA架构融合目标检测、跟踪、状态估计和启发式聚类，为NMPC提供预测性的不安全空间信息，实现主动避障。
  3. 真实环境实验表明，DTAA架构能有效引导Boston Dynamics Spot机器人在动态环境中与人类保持安全距离。

📝 摘要（中文）

本文首次提出了一种创新的检测-跟踪-避障架构（DTAA），旨在提高人机共存环境中的安全性及整体任务性能。该架构集成了YOLOv8目标检测、Ultralytics嵌入式目标跟踪和卡尔曼滤波状态估计。此外，采用了一种新颖的启发式聚类方法，用于主动避开多个位置接近、速度相似的物体，为非线性模型预测控制器（NMPC）创建不安全空间集合。NMPC不仅考虑这些不安全空间的当前位置，还预测其未来位置，从而识别最危险的不安全空间。随后，NMPC计算运动轨迹，引导机器人沿着D$^{*}_{+}$规划的路径向目标前进，同时与所有识别出的障碍物保持安全距离。通过在真实的地下、城市室内和室外环境中，使用Boston Dynamics Spot机器人进行的实验验证了DTAA框架的有效性，证明了机器人在动态环境中与人类保持安全距离的能力。

🔬 方法详解

问题定义：论文旨在解决多运动目标环境下，机器人如何安全、自主地导航的问题。现有方法在处理多个速度相近的运动目标时，容易出现碰撞风险，难以保证机器人的安全性和任务完成效率。尤其是在人机协作的场景下，安全问题至关重要。

核心思路：论文的核心思路是构建一个“检测-跟踪-避障”的闭环系统，通过实时感知环境中的运动目标，预测其未来轨迹，并利用模型预测控制规划出安全的运动路径。通过将感知、预测和控制相结合，实现主动避障，提高机器人在复杂动态环境中的安全性。

技术框架：DTAA架构主要包含以下几个模块：1) 目标检测模块：使用YOLOv8检测环境中的物体。2) 目标跟踪模块：利用Ultralytics嵌入式目标跟踪算法对检测到的物体进行跟踪。3) 状态估计模块：采用卡尔曼滤波器对跟踪到的目标进行状态估计，包括位置和速度。4) 启发式聚类模块：将位置接近、速度相似的物体进行聚类，形成不安全空间集合。5) 非线性模型预测控制（NMPC）模块：根据不安全空间的信息，规划出安全的运动轨迹。6) 全局路径规划模块：使用D$^{*}_{+}$算法规划全局路径。

关键创新：该论文的关键创新在于：1) 首次提出了DTAA架构，将目标检测、跟踪、状态估计和模型预测控制相结合，实现主动避障。2) 提出了一种新颖的启发式聚类方法，用于处理多个速度相近的运动目标，为NMPC提供更准确的不安全空间信息。3) 将预测的未来位置信息融入到NMPC的优化目标中，提高了避障的预测性和安全性。

关键设计：启发式聚类算法的具体规则（例如距离阈值、速度阈值）以及NMPC的优化目标函数（例如安全距离约束、平滑性约束）是关键的设计细节。此外，卡尔曼滤波器的参数设置也会影响状态估计的精度，进而影响避障效果。D$^{*}_{+}$算法用于提供全局引导，NMPC则在局部进行精细的避障控制。

🖼️ 关键图片

img_0

📊 实验亮点

实验结果表明，DTAA架构能够有效引导Boston Dynamics Spot机器人在动态的地下、城市室内和室外环境中与人类保持安全距离。具体而言，机器人能够始终与行人保持至少1米的安全距离，并且能够平滑地绕过障碍物，完成预定的导航任务。相较于没有避障策略的基线方法，DTAA架构显著降低了碰撞风险。

🎯 应用场景

该研究成果可应用于各种人机协作场景，例如：仓储物流、医疗康复、建筑工地等。通过提高机器人在动态环境中的安全性，可以促进机器人更广泛的应用，并提升人机协作的效率和安全性。未来，该技术还可应用于自动驾驶、无人机等领域。

📄 摘要（原文）

Proactive collision avoidance measures are imperative in environments where humans and robots coexist. Moreover, the introduction of high quality legged robots into workplaces highlighted the crucial role of a robust, fully autonomous safety solution for robots to be viable in shared spaces or in co-existence with humans. This article establishes for the first time ever an innovative Detect-Track-and-Avoid Architecture (DTAA) to enhance safety and overall mission performance. The proposed novel architectyre has the merit ot integrating object detection using YOLOv8, utilizing Ultralytics embedded object tracking, and state estimation of tracked objects through Kalman filters. Moreover, a novel heuristic clustering is employed to facilitate active avoidance of multiple closely positioned objects with similar velocities, creating sets of unsafe spaces for the Nonlinear Model Predictive Controller (NMPC) to navigate around. The NMPC identifies the most hazardous unsafe space, considering not only their current positions but also their predicted future locations. In the sequel, the NMPC calculates maneuvers to guide the robot along a path planned by D$^{*}_{+}$ towards its intended destination, while maintaining a safe distance to all identified obstacles. The efficacy of the novelly suggested DTAA framework is being validated by Real-life experiments featuring a Boston Dynamics Spot robot that demonstrates the robot's capability to consistently maintain a safe distance from humans in dynamic subterranean, urban indoor, and outdoor environments.