A Shared Control Framework for Mobile Robots with Planning-Level Intention Prediction

📄 arXiv: 2511.08912v1 📥 PDF

作者: Jinyu Zhang, Lijun Han, Feng Jian, Lingxi Zhang, Hesheng Wang

分类: cs.RO

发布日期: 2025-11-12

💡 一句话要点

提出基于意图域预测的移动机器人共享控制框架，提升人机协作效率与安全性

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱二：RL算法与架构 (RL & Architecture)

关键词: 共享控制 移动机器人 意图预测 深度强化学习 人机协作

📋 核心要点

  1. 现有移动机器人共享控制方法难以有效理解人类运动意图，导致人机协作效率和安全性受限。
  2. 论文提出基于意图域预测的共享控制框架，利用深度强化学习联合优化意图预测和路径重规划。
  3. 实验结果表明，该方法能显著降低操作员工作量，提高安全性，且不影响任务效率。

📝 摘要（中文）

本文提出了一种新颖的移动机器人共享控制框架，该框架以规划层面的意图预测为特色，旨在实现无缝的人机协作。设计了一种路径重规划算法，根据推断的人类意图调整机器人的期望轨迹。为了表示未来的运动意图，引入了意图域的概念，作为路径重规划的约束。意图域预测和路径重规划问题被联合建模为一个马尔可夫决策过程，并通过深度强化学习解决。此外，还开发了一种基于Voronoi图的人类轨迹生成算法，使得模型能够在完全仿真的环境中进行训练，无需人工参与或演示数据。大量的仿真和真实用户研究表明，与现有的辅助遥操作方法相比，该方法显著降低了操作员的工作量，提高了安全性，同时不影响任务效率。

🔬 方法详解

问题定义：现有的移动机器人共享控制方法通常依赖于直接的运动命令或简单的意图识别，难以准确预测人类长期的运动规划意图。这导致机器人难以根据人类的意图进行合理的路径规划和调整，从而影响人机协作的效率和安全性。现有方法的痛点在于缺乏对人类规划层意图的有效建模和预测。

核心思路：本文的核心思路是将人类的运动意图表示为一个“意图域”，该意图域约束了机器人可能的路径规划空间。通过预测人类的意图域，机器人可以更好地理解人类的长期目标，并据此进行路径重规划，从而实现更高效、更安全的协作。这种方法将意图预测和路径规划紧密结合，形成一个统一的优化框架。

技术框架：该共享控制框架主要包含以下几个模块：1) 意图域预测模块：利用深度强化学习预测人类的意图域。2) 路径重规划模块：根据预测的意图域，调整机器人的期望轨迹。3) Voronoi图轨迹生成模块：用于生成训练数据，无需人工参与。整个框架将意图域预测和路径重规划问题联合建模为一个马尔可夫决策过程（MDP），并通过深度强化学习进行求解。机器人根据当前状态和预测的意图域，选择最优的动作，从而实现自主导航和避障。

关键创新：该论文的关键创新在于：1) 提出了“意图域”的概念，用于表示人类的运动意图，并将其作为路径重规划的约束。2) 将意图域预测和路径重规划问题联合建模为一个马尔可夫决策过程，并通过深度强化学习进行求解，实现了端到端的优化。3) 提出了基于Voronoi图的人类轨迹生成算法，使得模型能够在完全仿真的环境中进行训练，无需人工参与或演示数据。与现有方法相比，该方法能够更准确地预测人类的运动意图，并据此进行合理的路径规划和调整。

关键设计：在深度强化学习方面，使用了Actor-Critic网络结构，Actor网络负责输出动作策略，Critic网络负责评估状态价值。奖励函数的设计至关重要，包括目标导向奖励、碰撞惩罚、平滑性奖励等，以引导机器人学习到安全、高效的协作策略。意图域的表示方式也需要仔细设计，例如可以使用高斯混合模型来表示意图域的概率分布。Voronoi图轨迹生成算法的关键在于保证生成轨迹的多样性和合理性。

📊 实验亮点

实验结果表明，与现有的辅助遥操作方法相比，该方法显著降低了操作员的工作量（具体降低幅度未知），提高了安全性（具体提升幅度未知），同时不影响任务效率。仿真实验和真实用户研究均验证了该方法的有效性。Voronoi图轨迹生成算法能够生成高质量的训练数据，使得模型能够在完全仿真的环境中进行训练，无需人工参与或演示数据。

🎯 应用场景

该研究成果可应用于各种需要人机协作的移动机器人场景，例如：仓库物流、医疗辅助、家庭服务、灾难救援等。通过准确预测人类意图，机器人可以更好地辅助人类完成任务，提高工作效率，降低安全风险。未来，该技术有望进一步推广到更复杂的机器人系统和应用场景中，实现更智能、更安全的人机协作。

📄 摘要（原文）

In mobile robot shared control, effectively understanding human motion intention is critical for seamless human-robot collaboration. This paper presents a novel shared control framework featuring planning-level intention prediction. A path replanning algorithm is designed to adjust the robot's desired trajectory according to inferred human intentions. To represent future motion intentions, we introduce the concept of an intention domain, which serves as a constraint for path replanning. The intention-domain prediction and path replanning problems are jointly formulated as a Markov Decision Process and solved through deep reinforcement learning. In addition, a Voronoi-based human trajectory generation algorithm is developed, allowing the model to be trained entirely in simulation without human participation or demonstration data. Extensive simulations and real-world user studies demonstrate that the proposed method significantly reduces operator workload and enhances safety, without compromising task efficiency compared with existing assistive teleoperation approaches.