HI-GVF: Shared Control based on Human-Influenced Guiding Vector Fields for Human-multi-robot Cooperation
作者: Pengming Zhu, Zongtan Zhou, Weijia Yao, Wei Dai, Zhiwen Zeng, Huimin Lu
分类: cs.RO
发布日期: 2025-02-17
💡 一句话要点
提出基于人影响导引向量场的共享控制方法，用于人-多机器人协作
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 人机协作 多机器人系统 共享控制 导引向量场 意图场 安全屏障证书 消防救援
📋 核心要点
- 现有的人-多机器人共享控制系统依赖领导者-跟随者模型，限制了机器人自主性，且操作员负担较重。
- 论文提出HI-GVF框架，通过融合人和机器人的意图，引导多机器人系统沿期望路径运动，提升协作效率。
- 实验结果表明，该方法在消防任务中，通过多种人机界面，有效提高了任务的效率和性能。
📝 摘要（中文）
本文提出了一种基于人影响导引向量场(HI-GVF)的分层共享控制计算框架，用于增强人-机器人协作。现有系统通常采用领导者-跟随者模型，限制了机器人的自主性，并且需要人为直接参与机器人的运动控制，增加了操作员的负担。为了解决这两个问题，HI-GVF引导多机器人系统沿着人指定的期望路径运动。设计了一个意图场来融合人和机器人的意图，加速了人类意图在多机器人系统中的传播。此外，本文还给出了所提出模型的稳定性分析，并使用基于安全屏障证书的避碰方法来微调速度。最后，以消防任务为例，通过多个人机界面（脑机接口、肌电腕带、眼动追踪）进行了仿真和实验，结果表明该方法提高了任务的有效性和性能。
🔬 方法详解
问题定义：现有的人-多机器人协作系统，特别是共享控制系统，通常采用领导者-跟随者的模式，即人类作为领导者直接控制部分或全部机器人的运动。这种模式限制了机器人的自主性，并且当机器人数量较多时，会显著增加操作员的认知负荷和操作负担。此外，直接遥操作的方式也缺乏效率和灵活性。因此，需要一种能够平衡人类意图和机器人自主性的共享控制方法，减轻操作员负担，提高协作效率。
核心思路：论文的核心思路是利用“人影响导引向量场”（HI-GVF）来引导多机器人系统的运动。HI-GVF将人类的意图转化为一个向量场，该向量场影响机器人的运动方向和速度。通过这种方式，人类可以间接地控制机器人的运动，而无需直接进行遥操作。同时，机器人可以根据自身的感知和规划能力，自主地调整运动轨迹，以避免碰撞和优化任务执行。此外，通过“意图场”的设计，加速人类意图在多机器人系统中的传播，实现更高效的协作。
技术框架：该共享控制框架主要包含以下几个模块：1) 人机界面：用于获取人类的意图，例如通过脑机接口、肌电腕带或眼动追踪等方式。2) HI-GVF生成器：将人类的意图转化为导引向量场，该向量场指示了期望的运动方向和速度。3) 意图场融合：将人类的意图场与机器人的自主意图场进行融合，得到最终的控制指令。4) 速度调整与避碰：利用安全屏障证书（Safety Barrier Certificates）对机器人的速度进行调整，以确保安全性和避免碰撞。5) 多机器人运动控制：根据融合后的控制指令，控制多机器人系统进行运动。
关键创新：该论文的关键创新在于提出了“人影响导引向量场”（HI-GVF）的概念，并将其应用于人-多机器人共享控制。与传统的领导者-跟随者模式相比，HI-GVF能够更好地平衡人类意图和机器人自主性，减轻操作员的负担，提高协作效率。此外，意图场的设计加速了人类意图在多机器人系统中的传播，使得协作更加流畅和自然。
关键设计：HI-GVF的设计需要考虑人类意图的表达方式、向量场的生成方法以及意图场的融合策略。具体而言，人类意图可以通过目标点、轨迹或手势等方式进行表达。向量场的生成可以采用梯度下降法或其他优化算法。意图场的融合可以采用加权平均或更复杂的融合策略，以平衡人类意图和机器人自主性。安全屏障证书的设计需要考虑机器人的动力学约束和环境的几何约束，以确保安全性和避免碰撞。具体的参数设置需要根据具体的应用场景进行调整。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和实验验证了所提出方法的有效性。在消防任务中，使用脑机接口、肌电腕带和眼动追踪等多种人机界面，结果表明该方法能够显著提高任务的效率和性能。具体的性能提升数据未知，但实验结果表明该方法优于传统的领导者-跟随者模式。
🎯 应用场景
该研究成果可应用于多种人-多机器人协作场景，例如：消防救援、灾害搜救、工业巡检、农业采摘、医疗辅助等。通过该方法，人类可以更高效地指挥多机器人系统完成复杂任务，降低操作难度和风险，提高工作效率和安全性。未来，该技术有望进一步发展，实现更智能、更自主的人-机器人协作。
📄 摘要（原文）
Human-multi-robot shared control leverages human decision-making and robotic autonomy to enhance human-robot collaboration. While widely studied, existing systems often adopt a leader-follower model, limiting robot autonomy to some extent. Besides, a human is required to directly participate in the motion control of robots through teleoperation, which significantly burdens the operator. To alleviate these two issues, we propose a layered shared control computing framework using human-influenced guiding vector fields (HI-GVF) for human-robot collaboration. HI-GVF guides the multi-robot system along a desired path specified by the human. Then, an intention field is designed to merge the human and robot intentions, accelerating the propagation of the human intention within the multi-robot system. Moreover, we give the stability analysis of the proposed model and use collision avoidance based on safety barrier certificates to fine-tune the velocity. Eventually, considering the firefighting task as an example scenario, we conduct simulations and experiments using multiple human-robot interfaces (brain-computer interface, myoelectric wristband, eye-tracking), and the results demonstrate that our proposed approach boosts the effectiveness and performance of the task.