FORMULA: FORmation MPC with neUral barrier Learning for safety Assurance

📄 arXiv: 2604.04409 📥 PDF

作者: Qintong Xie, Weishu Zhan, Peter Chin

分类: cs.RO, cs.MA

发布日期: 2026-04-07

💡 一句话要点

FORMULA：融合神经障碍学习的安全多机器人编队MPC

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 多机器人系统 编队控制 模型预测控制 控制障碍函数 神经网络 安全控制 分布式控制

📋 核心要点

  1. 现有MPC方法在多机器人编队控制中面临可扩展性和安全性保障的挑战，难以应对复杂环境。
  2. FORMULA框架融合了CLF和基于神经网络的CBF，实现了分散的安全控制，无需手动设计安全约束。
  3. 仿真结果表明，FORMULA能够使多机器人团队在复杂环境中实现安全、保持编队的可扩展导航。

📝 摘要（中文）

多机器人系统(MRS)对于灾难响应、物料运输和仓库物流等大规模应用至关重要，但在复杂和动态环境中，确保鲁棒、安全感知的编队控制仍然是一个主要挑战。现有的模型预测控制(MPC)方法在可扩展性和可证明的安全性方面存在局限性，而控制障碍函数(CBF)虽然在安全执行方面具有原则性，但对于大规模非线性系统来说，很难手工设计。本文提出了FORMULA，一个安全的分布式、学习增强的预测控制框架，它集成了用于稳定性的控制李雅普诺夫函数(CLF)和用于分散安全性的基于神经网络的CBF，消除了手动安全约束设计。该方案在避障过程中保持编队完整性，解决密集配置中的死锁，并减少在线计算负载。仿真结果表明，FORMULA能够为复杂环境中的多机器人团队实现可扩展的、安全感知的、保持编队的导航。

🔬 方法详解

问题定义：论文旨在解决多机器人系统在复杂动态环境中安全编队控制的问题。现有方法，特别是传统的模型预测控制（MPC）方法，在处理大规模系统时面临计算复杂度和可扩展性问题，并且难以保证严格的安全性。控制障碍函数（CBF）虽然可以用于安全约束，但对于复杂的非线性系统，手动设计CBF非常困难。

核心思路：论文的核心思路是将模型预测控制（MPC）与控制李雅普诺夫函数（CLF）和基于神经网络的控制障碍函数（CBF）相结合。CLF用于保证系统的稳定性，而神经网络CBF则用于实现分散的安全控制，避免手动设计复杂的安全约束。通过学习的方式，CBF能够适应复杂环境，提高系统的鲁棒性和安全性。

技术框架：FORMULA框架包含以下几个主要模块：1) 基于CLF的稳定性控制模块，确保系统整体的稳定性；2) 基于神经网络CBF的安全约束模块，实现分散的避障和安全控制；3) 模型预测控制模块，用于优化机器人的运动轨迹，同时满足稳定性和安全约束。整个框架采用分布式架构，每个机器人独立进行决策，从而提高系统的可扩展性。

关键创新：该论文的关键创新在于将神经网络引入到CBF的设计中，从而避免了手动设计复杂CBF的难题。通过学习的方式，CBF能够自动适应复杂环境，提高系统的鲁棒性和安全性。此外，该框架采用分布式架构，每个机器人独立进行决策，从而提高了系统的可扩展性。

关键设计：神经网络CBF的设计是关键。论文采用神经网络来近似CBF，网络的输入包括机器人的状态、环境信息等，输出为CBF的值。损失函数的设计需要保证CBF的值满足安全约束，即在安全区域内CBF的值大于等于0。此外，MPC的优化目标包括跟踪期望轨迹、保持编队形状等。框架中还包含一些参数用于平衡稳定性和安全性，例如CLF和CBF的权重。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

论文通过仿真实验验证了FORMULA框架的有效性。实验结果表明，FORMULA能够使多机器人团队在复杂环境中实现安全、保持编队的可扩展导航。该方法能够有效地避免障碍物，解决密集环境中的死锁问题，并显著降低在线计算负载。具体的性能数据（例如：成功率、碰撞率、计算时间等）在论文中进行了详细的展示和分析。

🎯 应用场景

该研究成果可应用于各种需要多机器人协同作业的场景，例如：灾难救援、仓库物流、农业自动化、以及环境监测等。通过保证多机器人在复杂环境中的安全性和协同性，可以提高工作效率，降低风险，并扩展机器人的应用范围。未来，该技术有望应用于更大规模、更复杂的机器人系统。

📄 摘要（原文）

Multi-robot systems (MRS) are essential for large-scale applications such as disaster response, material transport, and warehouse logistics, yet ensuring robust, safety-aware formation control in cluttered and dynamic environments remains a major challenge. Existing model predictive control (MPC) approaches suffer from limitations in scalability and provable safety, while control barrier functions (CBFs), though principled for safety enforcement, are difficult to handcraft for large-scale nonlinear systems. This paper presents FORMULA, a safe distributed, learning-enhanced predictive control framework that integrates MPC with Control Lyapunov Functions (CLFs) for stability and neural network-based CBFs for decentralized safety, eliminating manual safety constraint design. This scheme maintains formation integrity during obstacle avoidance, resolves deadlocks in dense configurations, and reduces online computational load. Simulation results demonstrate that FORMULA enables scalable, safety-aware, formation-preserving navigation for multi-robot teams in complex environments.