Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios

📄 arXiv: 2505.16055v2 📥 PDF

作者: Patanjali Maithani, Aliasghar Arab, Farshad Khorrami, Prashanth Krishnamurthy

分类: cs.RO, eess.SY

发布日期: 2025-05-21 (更新: 2025-05-25)

💡 一句话要点

提出基于分层控制障碍函数的主动安全优先级框架，用于近距离人机交互

🎯 匹配领域: 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)

关键词: 人机交互 控制障碍函数 安全控制 机器人 优先级排序

📋 核心要点

  1. 现有方法难以应对人机交互中人类运动的不可预测性，导致潜在碰撞风险。
  2. 提出基于分层控制障碍函数（CBF）的框架，通过松弛变量实现安全约束的实时优先级排序。
  3. 实验结果表明，该方法能有效促进安全人机协作，提供详细风险分析，并在动态环境中保持鲁棒性。

📝 摘要（中文）

在协作人机环境中，人类运动的不可预测性和动态性可能导致碰撞不可避免。在这种情况下，机器人系统必须通过智能控制策略主动减轻潜在危害。本文提出了一种基于控制障碍函数（CBF）的分层控制框架，旨在确保自主机器人机械臂在近距离人机交互期间的安全和自适应运行。该方法引入了一个松弛变量，可以实时确定安全约束的优先级，从而使机器人能够根据人体不同部位的严重程度动态管理碰撞风险。 纳入辅助约束机制，通过提高紧迫威胁的优先级来解决不可行性。该框架在配备 ZED2i AI 相机的 Franka Research 3 机器人上进行了实验验证，用于实时人体姿势和身体检测。实验结果表明，基于 CBF 的控制器与深度传感相结合，有助于响应迅速且安全的人机协作，同时提供详细的风险分析，并在高度动态的环境中保持强大的性能。

🔬 方法详解

问题定义：论文旨在解决近距离人机交互场景中，由于人类运动的不可预测性，机器人如何安全、自适应地运行的问题。现有方法难以在动态环境中实时调整安全策略，无法有效应对潜在的碰撞风险。尤其是在不同人体部位受到威胁时，缺乏优先级区分机制。

核心思路：论文的核心思路是利用控制障碍函数（CBF）构建分层控制框架，通过引入松弛变量，实现安全约束的实时优先级排序。这样，机器人可以根据人体不同部位的风险程度，动态调整控制策略，优先保护关键部位，从而在保证安全的前提下，尽可能完成任务。

技术框架：该框架主要包含以下几个模块：1) 人体姿态和身体检测模块，使用ZED2i AI相机获取实时人体姿态信息；2) 基于CBF的安全约束建模模块，将人机交互中的安全需求转化为CBF约束；3) 优先级排序模块，通过松弛变量对不同安全约束进行优先级排序，优先处理高风险区域；4) 优化求解模块，求解满足CBF约束的控制指令，驱动机器人运动；5) 辅助约束机制，用于解决CBF约束不可行的情况，提高系统鲁棒性。

关键创新：该方法最重要的创新点在于提出了基于松弛变量的安全约束优先级排序机制。传统CBF方法通常将所有安全约束视为同等重要，但在实际人机交互中，不同人体部位的风险程度不同。通过引入松弛变量，可以根据风险程度动态调整安全约束的优先级，从而实现更智能、更安全的控制策略。此外，辅助约束机制的引入也提高了系统的鲁棒性。

关键设计：关键设计包括：1) 松弛变量的选取和调整策略，需要根据人体部位的风险程度进行合理设置；2) CBF函数的具体形式，需要根据机器人和人类的几何形状进行设计；3) 优化求解器的选择，需要保证实时性和求解精度；4) 辅助约束机制的具体实现，需要避免引入新的安全风险。

📊 实验亮点

实验结果表明，该方法能够有效避免人机碰撞，并在动态环境中保持鲁棒性。通过与传统CBF方法对比，该方法在保证安全性的前提下，能够更好地完成任务，减少不必要的停止和减速。此外，实验还验证了该方法在不同人体部位受到威胁时的优先级排序能力，能够优先保护关键部位，例如头部和躯干。

🎯 应用场景

该研究成果可应用于各种需要近距离人机协作的场景，例如：工业装配、医疗康复、家庭服务等。通过提高人机交互的安全性，可以扩展机器人的应用范围，提高生产效率，改善用户体验，并促进人机协作的进一步发展。未来，该技术有望应用于更复杂的动态环境，实现更智能、更安全的人机共融。

📄 摘要（原文）

In collaborative human-robot environments, the unpredictable and dynamic nature of human motion can lead to situations where collisions become unavoidable. In such cases, it is essential for the robotic system to proactively mitigate potential harm through intelligent control strategies. This paper presents a hierarchical control framework based on Control Barrier Functions (CBFs) designed to ensure safe and adaptive operation of autonomous robotic manipulators during close-proximity human-robot interaction. The proposed method introduces a relaxation variable that enables real-time prioritization of safety constraints, allowing the robot to dynamically manage collision risks based on the criticality of different parts of the human body. A secondary constraint mechanism is incorporated to resolve infeasibility by increasing the priority of imminent threats. The framework is experimentally validated on a Franka Research 3 robot equipped with a ZED2i AI camera for real-time human pose and body detection. Experimental results confirm that the CBF-based controller, integrated with depth sensing, facilitates responsive and safe human-robot collaboration, while providing detailed risk analysis and maintaining robust performance in highly dynamic settings.