MISC: Minimal Intervention Shared Control with Guaranteed Safety under Non-Convex Constraints
作者: Shivam Chaubey, Francesco Verdoja, Shankar Deka, Ville Kyrki
分类: cs.RO, cs.HC, eess.SY
发布日期: 2025-07-03
备注: This work has been submitted to the IEEE for possible publication
💡 一句话要点
提出MISC框架，通过最小干预共享控制实现非凸约束下的安全保障
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 共享控制 人机协作 控制不变集 约束最优控制 非凸约束 安全保障 辅助机器人
📋 核心要点
- 现有共享控制方法在用户输入不确定时，难以保证可行性、可扩展性和安全性，尤其是在非凸约束条件下。
- 论文提出MISC框架，利用离线计算的控制不变集，在线计算控制动作，确保可行性、约束满足和最小用户意图覆盖。
- 大规模用户研究表明，该方法在不影响安全和用户意图的情况下，显著改善了任务负荷、信任和感知控制。
📝 摘要（中文）
共享控制结合了人类意图与自主决策，涵盖从低级安全覆盖到高级任务指导，使系统能够适应用户并确保安全和性能。这提高了辅助机器人、远程操作和自动驾驶等领域的任务效率和用户体验。然而，现有的共享控制方法，如基于模型预测控制、控制障碍函数或基于学习的控制，在可行性、可扩展性或安全保证方面存在困难，尤其是在用户输入不可预测的情况下。为了解决这些挑战，我们提出了一种基于约束最优控制问题的辅助控制器框架，该框架结合了离线计算的控制不变集，从而能够在线计算控制动作，确保可行性、严格的约束满足以及对用户意图的最小程度覆盖。此外，该框架可以适应结构化的非凸约束，这在实际场景中很常见。我们通过一项包含66名参与者的大规模用户研究验证了该方法，该研究是共享控制研究中最广泛的研究之一，使用计算机游戏环境来评估任务负荷、信任和感知控制，以及性能。结果表明，在不影响安全和用户意图的情况下，所有这些方面都得到了持续的改善。
🔬 方法详解
问题定义：现有共享控制方法，如基于MPC、CBF或学习的方法，在处理用户输入不确定性以及非凸约束时，难以同时保证可行性、可扩展性和安全性。尤其是在实际应用中，非凸约束普遍存在，这给安全保障带来了挑战。因此，需要一种能够适应非凸约束，并在最小程度干预用户意图的前提下，保证系统安全运行的共享控制方法。
核心思路：论文的核心思路是结合控制不变集（Control Invariant Set）和约束最优控制（Constrained Optimal Control）的思想。通过离线计算控制不变集，确保系统状态始终保持在安全区域内。在线通过约束最优控制，在满足约束条件的前提下，尽可能地遵循用户的意图，实现最小干预的共享控制。
技术框架：MISC框架主要包含以下几个阶段：1) 离线计算控制不变集：基于系统动力学模型和约束条件，离线计算一个控制不变集，保证系统状态始终在该集合内。2) 在线约束最优控制：根据当前系统状态和用户输入，构建一个约束最优控制问题，目标是最小化对用户意图的干预，约束条件包括系统动力学、控制不变集约束以及其他安全约束。3) 控制指令执行：将求解得到的控制指令发送给执行器，驱动系统运行。
关键创新：该方法最重要的创新点在于将离线计算的控制不变集与在线约束最优控制相结合，能够在非凸约束下保证系统的安全性，同时尽可能地尊重用户的意图。与传统的基于MPC或CBF的方法相比，该方法能够更好地处理非凸约束，并提供更强的安全保证。此外，最小干预的设计理念也提升了用户体验。
关键设计：控制不变集的计算方法是关键。论文可能采用了基于可达集分析或基于优化的方法来计算控制不变集。约束最优控制问题的目标函数通常设计为用户输入与控制器输出之间的差异的某种范数，例如L2范数。约束条件包括系统动力学方程、控制不变集约束以及其他安全约束。具体参数设置需要根据具体的系统动力学模型和约束条件进行调整。
🖼️ 关键图片
📊 实验亮点
论文通过包含66名参与者的大规模用户研究验证了MISC框架的有效性。实验结果表明，与现有方法相比，MISC框架在不影响安全和用户意图的情况下，显著改善了任务负荷、信任和感知控制。具体性能数据（例如任务完成时间、碰撞次数、用户满意度评分等）未知，但整体提升趋势明显。
🎯 应用场景
该研究成果可广泛应用于辅助机器人、远程操作和自动驾驶等领域。在辅助机器人中，可以帮助残疾人或老年人完成日常生活任务；在远程操作中，可以提高操作员在复杂环境下的作业效率和安全性；在自动驾驶中，可以增强车辆在复杂交通场景下的安全性和可靠性。该研究具有重要的实际应用价值和广阔的未来发展前景。
📄 摘要（原文）
Shared control combines human intention with autonomous decision-making, from low-level safety overrides to high-level task guidance, enabling systems that adapt to users while ensuring safety and performance. This enhances task effectiveness and user experience across domains such as assistive robotics, teleoperation, and autonomous driving. However, existing shared control methods, based on e.g. Model Predictive Control, Control Barrier Functions, or learning-based control, struggle with feasibility, scalability, or safety guarantees, particularly since the user input is unpredictable. To address these challenges, we propose an assistive controller framework based on Constrained Optimal Control Problem that incorporates an offline-computed Control Invariant Set, enabling online computation of control actions that ensure feasibility, strict constraint satisfaction, and minimal override of user intent. Moreover, the framework can accommodate structured class of non-convex constraints, which are common in real-world scenarios. We validate the approach through a large-scale user study with 66 participants--one of the most extensive in shared control research--using a computer game environment to assess task load, trust, and perceived control, in addition to performance. The results show consistent improvements across all these aspects without compromising safety and user intent.