Safety-Critical and Distributed Nonlinear Predictive Controllers for Teams of Quadrupedal Robots
作者: Basit Muhammad Imran, Jeeseop Kim, Taizoon Chunawala, Alexander Leonessa, Kaveh Akbari Hamed
分类: cs.RO, math.OC
发布日期: 2025-03-18
💡 一句话要点
提出基于CBF的分布式非线性预测控制，用于四足机器人团队安全协同运动。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 四足机器人 分布式控制 模型预测控制 控制障碍函数 多智能体系统
📋 核心要点
- 现有NMPC方法在多机器人安全导航中面临挑战，尤其是在不稳定、欠驱动的四足机器人上，安全保证不足且规划范围有限。
- 该论文提出一种分层控制框架，结合分布式NMPC和CBF，在共识协议中融入碰撞安全保证，延长规划范围，提升复杂环境下的协同运动安全性。
- 实验结果表明，所提出的基于CBF的DNMPC比传统NMPC成功率提高27.89%，验证了其在真实机器人上的有效性。
📝 摘要（中文）
本文提出了一种新颖的分层、安全关键的控制框架，该框架集成了分布式非线性模型预测控制器（DNMPC）与控制障碍函数（CBF），以实现多智能体四足机器人在复杂环境中的协同运动。虽然基于NMPC的方法被广泛用于强制安全约束和引导多机器人系统（MRS）通过复杂环境，但确保MRS的安全性需要一个基于不变集概念的形式化定义。CBF通常通过规划层的二次规划（QP）实现，提供形式化的安全保证。然而，它们的零控制范围限制了它们在固有不稳定、欠驱动和非线性腿式机器人模型中进行扩展轨迹规划的有效性。此外，将CBF集成到复杂MRS（如四足机器人团队）的实时NMPC中仍未得到充分探索。本文开发了计算高效的分布式NMPC算法，该算法在共识协议中结合了基于CBF的碰撞安全保证，从而能够在扰动和崎岖地形条件下实现更长的规划范围，以实现安全协同运动。DNMPC生成的最优轨迹由低层的全阶非线性全身控制器跟踪。所提出的方法通过多达四个Unitree A1机器人的大量数值模拟以及涉及两个A1机器人在外部推力、崎岖地形和不确定障碍物信息下的硬件实验进行了验证。对比分析表明，所提出的基于CBF的DNMPC比没有CBF约束的传统NMPC实现了高27.89%的成功率。
🔬 方法详解
问题定义：现有多机器人系统，特别是四足机器人团队，在复杂环境中协同运动时，面临着安全性和鲁棒性的挑战。传统的NMPC方法虽然能处理非线性动力学和约束，但在保证多机器人之间的安全距离和避免碰撞方面存在不足，尤其是在存在外部扰动和地形变化的情况下。此外，由于计算复杂性，NMPC的规划范围通常较短，难以应对长时间的协同任务。
核心思路：本文的核心思路是将控制障碍函数（CBF）集成到分布式NMPC框架中，利用CBF提供形式化的安全保证。通过在NMPC的优化目标中加入CBF约束，确保机器人在执行控制策略时始终保持在安全区域内。同时，采用分布式架构，降低计算复杂度，提高系统的可扩展性和鲁棒性。
技术框架：该控制框架采用分层结构。在高层，使用分布式NMPC生成机器人的轨迹，其中NMPC的优化目标包括任务目标（如协同运动）和CBF约束（如避免碰撞）。DNMPC之间通过共识协议进行通信，协调彼此的运动。在低层，使用全阶非线性全身控制器跟踪DNMPC生成的轨迹，实现精确的运动控制。
关键创新：该论文的关键创新在于将CBF集成到分布式NMPC中，为多四足机器人系统的协同运动提供了形式化的安全保证。与传统的NMPC方法相比，该方法能够更有效地避免碰撞，提高系统的安全性和鲁棒性。此外，该论文还提出了一种计算高效的DNMPC算法，能够在实时性要求较高的场景下应用。
关键设计：CBF的设计是关键。论文中CBF被设计为机器人之间的距离函数，确保机器人之间的距离始终大于一个安全阈值。DNMPC的优化目标包括任务相关的代价函数和CBF相关的代价函数，通过调整权重来平衡任务性能和安全性。共识协议用于协调DNMPC之间的运动，确保机器人团队能够协同完成任务。
🖼️ 关键图片
📊 实验亮点
通过数值模拟和硬件实验，验证了所提出方法的有效性。数值模拟结果表明，该方法能够成功地引导多达四个Unitree A1机器人进行协同运动，并避免碰撞。硬件实验结果表明，在受到外部推力和崎岖地形的影响下，该方法仍然能够保证机器人的安全性和稳定性。对比实验表明，基于CBF的DNMPC比没有CBF约束的传统NMPC实现了高27.89%的成功率。
🎯 应用场景
该研究成果可应用于搜救、巡检、物流等领域，尤其是在复杂地形或危险环境中，多机器人协同作业的需求日益增长。例如，在灾后搜救中，多台四足机器人可以协同搜索幸存者，并提供救援物资。在工业巡检中，机器人团队可以自主巡视设备，检测故障。在物流领域，机器人可以协同搬运货物，提高效率。
📄 摘要（原文）
This paper presents a novel hierarchical, safety-critical control framework that integrates distributed nonlinear model predictive controllers (DNMPCs) with control barrier functions (CBFs) to enable cooperative locomotion of multi-agent quadrupedal robots in complex environments. While NMPC-based methods are widely adopted for enforcing safety constraints and navigating multi-robot systems (MRSs) through intricate environments, ensuring the safety of MRSs requires a formal definition grounded in the concept of invariant sets. CBFs, typically implemented via quadratic programs (QPs) at the planning layer, provide formal safety guarantees. However, their zero-control horizon limits their effectiveness for extended trajectory planning in inherently unstable, underactuated, and nonlinear legged robot models. Furthermore, the integration of CBFs into real-time NMPC for sophisticated MRSs, such as quadrupedal robot teams, remains underexplored. This paper develops computationally efficient, distributed NMPC algorithms that incorporate CBF-based collision safety guarantees within a consensus protocol, enabling longer planning horizons for safe cooperative locomotion under disturbances and rough terrain conditions. The optimal trajectories generated by the DNMPCs are tracked using full-order, nonlinear whole-body controllers at the low level. The proposed approach is validated through extensive numerical simulations with up to four Unitree A1 robots and hardware experiments involving two A1 robots subjected to external pushes, rough terrain, and uncertain obstacle information. Comparative analysis demonstrates that the proposed CBF-based DNMPCs achieve a 27.89% higher success rate than conventional NMPCs without CBF constraints.