Safe Human-to-Humanoid Motion Imitation Using Control Barrier Functions

📄 arXiv: 2604.11447v1 📥 PDF

作者: Wenqi Cai, John Abanes, Nikolaos Evangeliou, Anthony Tzes

分类: cs.RO, eess.SY

发布日期: 2026-04-13

💡 一句话要点

提出基于控制屏障函数的安全人-人形机器人运动模仿框架

🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱七：动作重定向 (Motion Retargeting)

关键词: 人形机器人 运动模仿 控制屏障函数 碰撞避免 人机协作

📋 核心要点

  1. 人形机器人运动模仿的关键挑战在于保证操作安全性，避免碰撞。
  2. 核心思想是利用控制屏障函数（CBF）构建安全约束，过滤不安全的模仿指令。
  3. 仿真结果表明，该框架能够有效防止自碰撞和人-机器人碰撞，实现安全运动模仿。

📝 摘要（中文）

本文提出了一种基于视觉的人形机器人运动模仿框架，旨在确保操作安全。该框架利用单目相机捕获人体骨骼关键点，并将其转换为关节角度以进行运动重定向。通过控制屏障函数（CBF）层，将安全约束构建为二次规划（QP）问题，从而过滤模仿指令，防止机器人自碰撞以及人-机器人碰撞。仿真结果验证了所提出的框架在实时碰撞感知运动模仿方面的有效性。

🔬 方法详解

问题定义：现有的人形机器人运动模仿方法通常忽略了安全性，容易发生自碰撞或与环境（包括人）的碰撞。因此，需要一种方法能够在模仿人类运动的同时，保证机器人的操作安全。

核心思路：本文的核心思路是利用控制屏障函数（CBF）来保证安全性。CBF能够定义一个安全区域，并确保系统状态始终保持在该区域内。通过将安全约束表示为CBF，可以将运动模仿问题转化为一个优化问题，从而在模仿人类运动的同时，避免碰撞。

技术框架：该框架主要包含以下几个模块：1) 视觉感知模块：使用单目相机捕获人体骨骼关键点；2) 运动重定向模块：将人体骨骼关键点转换为人形机器人的关节角度；3) 安全控制模块：利用控制屏障函数（CBF）构建安全约束，并将其表示为二次规划（QP）问题，过滤不安全的模仿指令；4) 机器人控制模块：将安全控制模块输出的指令发送给机器人执行。

关键创新：该方法最重要的创新点在于将控制屏障函数（CBF）应用于人形机器人的运动模仿，从而能够显式地保证操作安全性。与传统的运动模仿方法相比，该方法能够在模仿人类运动的同时，避免碰撞。

关键设计：CBF的设计至关重要，需要考虑机器人自身的几何形状、关节限制以及与环境（包括人）的距离。QP问题的目标函数通常是最小化模仿误差，约束条件包括CBF约束、关节限制等。具体的参数设置需要根据机器人的具体型号和应用场景进行调整。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

仿真结果表明，该框架能够有效地防止自碰撞和人-机器人碰撞，实现安全运动模仿。具体的性能数据（例如，碰撞避免率、模仿精度等）未在摘要中明确给出，但强调了该框架在实时碰撞感知运动模仿方面的有效性。

🎯 应用场景

该研究成果可应用于人机协作、康复训练、远程操作等领域。例如，在人机协作场景中，人形机器人可以模仿人类的动作，完成一些重复性的或危险的任务，从而提高工作效率和安全性。在康复训练中，机器人可以引导患者进行正确的运动，帮助他们恢复身体功能。在远程操作中，操作员可以通过控制机器人，在远端环境中执行任务。

📄 摘要（原文）

Ensuring operational safety is critical for human-to-humanoid motion imitation. This paper presents a vision-based framework that enables a humanoid robot to imitate human movements while avoiding collisions. Human skeletal keypoints are captured by a single camera and converted into joint angles for motion retargeting. Safety is enforced through a Control Barrier Function (CBF) layer formulated as a Quadratic Program (QP), which filters imitation commands to prevent both self-collisions and human-robot collisions. Simulation results validate the effectiveness of the proposed framework for real-time collision-aware motion imitation.