A Closed-Form Dual-Barrier CBF Safety Filter for Holonomic Robots on Incrementally Built Occupancy Grid Maps
作者: Himanshu Paudel, Basanta Joshi, Dhirendra Raj Madai, Alina Bartaula, Biman Rimal, Sanjay Neupane
分类: cs.RO, eess.SY
发布日期: 2026-05-06
💡 一句话要点
提出一种闭环对偶障碍CBF安全滤波器，用于在增量式栅格地图上安全控制全向机器人。
🎯 匹配领域: 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 安全滤波器 控制障碍函数 栅格地图 机器人导航 自主探索
📋 核心要点
- 现有方法在未知环境探索中，由于未映射区域存在不确定性，机器人面临碰撞风险，尤其是在使用前向传感器时。
- 提出一种对偶障碍控制障碍函数（CBF）安全滤波器，通过约束机器人避开已映射障碍物和限制进入未探索区域来保证安全。
- 在PX4控制的四旋翼飞行器上进行了硬件飞行实验，结果表明该方法在多次室内飞行中实现了零碰撞，验证了其有效性。
📝 摘要（中文）
本文提出了一种对偶障碍控制障碍函数（CBF）安全滤波器，用于在增量构建的栅格地图中实时、安全地控制全向机器人的速度。当机器人在未知环境中探索时，未映射区域会引入不可避免的不确定性，因为已探索区域之外的障碍物几何形状是未知的，这使得进入这些区域成为碰撞风险的来源，特别是对于前向传感器。为了解决这个问题，我们强制执行两个约束：避免已映射的障碍物和限制进入未探索区域。这两个约束都从栅格地图的符号距离场中解析推导出来，从而产生一个闭环安全滤波器，每个周期只需要求解一个小的线性系统。在树莓派等资源受限的平台上，SLAM和规划已经消耗了大量的计算资源，所提出的滤波器的低开销可以节省资源。自适应增益调度放宽了信息丰富区域的前沿约束，并收紧了良好映射区域的前沿约束，从而提高了探索效率，同时保持了安全性。该滤波器在速度空间中作为最小侵入性校正运行，并与任意标称控制器（包括基于学习的方法）组合。在PX4控制的四旋翼飞行器上的硬件飞行实验表明，在多次室内运行中实现了零碰撞。
🔬 方法详解
问题定义：论文旨在解决全向机器人在增量构建的栅格地图中安全导航的问题。现有方法在处理未知环境时，由于缺乏对未探索区域的障碍物信息的了解，容易发生碰撞。尤其是在资源受限的平台上，复杂的SLAM和规划算法已经占据了大量的计算资源，进一步增加了安全控制的难度。
核心思路：论文的核心思路是利用控制障碍函数（CBF）构建一个安全滤波器，该滤波器能够同时考虑已知的障碍物信息和未探索区域带来的风险。通过对偶障碍的设计，分别约束机器人避开已映射的障碍物和限制进入未探索区域，从而保证机器人在探索过程中的安全性。这种方法能够在保证安全性的前提下，尽可能地减少对原始控制指令的干扰。
技术框架：该方法主要包含以下几个模块：1) 增量式栅格地图构建模块，用于实时更新环境地图；2) 符号距离场计算模块，用于计算栅格地图中每个点到最近障碍物的距离；3) 对偶障碍CBF安全滤波器，基于符号距离场信息，构建两个约束条件，分别对应已映射障碍物和未探索区域；4) 速度空间优化模块，将安全滤波器转化为速度约束，并求解一个线性系统，得到修正后的安全速度指令。
关键创新：该方法的关键创新在于提出了一个闭环的对偶障碍CBF安全滤波器。与传统的CBF方法相比，该方法能够同时考虑已知的障碍物信息和未探索区域带来的风险，从而提高了机器人在未知环境中的安全性。此外，该方法还采用了一种自适应增益调度策略，能够根据环境的信息丰富程度动态调整对未探索区域的约束强度，从而提高了探索效率。
关键设计：该方法中的关键设计包括：1) 使用符号距离场来表示环境信息，方便计算机器人与障碍物之间的距离；2) 构建对偶障碍CBF，分别约束机器人避开已映射的障碍物和限制进入未探索区域；3) 采用自适应增益调度策略，根据环境的信息丰富程度动态调整对未探索区域的约束强度。具体而言，在信息丰富的区域（例如，已经充分探索的区域），可以放宽对未探索区域的约束，允许机器人更自由地探索；而在信息匮乏的区域（例如，刚刚开始探索的区域），则需要加强对未探索区域的约束，以避免潜在的碰撞风险。
🖼️ 关键图片
📊 实验亮点
该论文通过在PX4控制的四旋翼飞行器上进行硬件飞行实验，验证了所提出的对偶障碍CBF安全滤波器的有效性。实验结果表明，在多次室内飞行中，该方法实现了零碰撞，证明了其在实际应用中的安全性。此外，该方法计算复杂度低，能够在资源受限的平台上实时运行，具有很高的实用价值。
🎯 应用场景
该研究成果可广泛应用于机器人自主探索、无人机巡检、自动驾驶等领域。尤其是在未知或动态环境中，该安全滤波器能够有效提高机器人的安全性和可靠性，降低碰撞风险。此外，该方法计算复杂度低，易于部署在资源受限的平台上，具有很高的实用价值。未来，可以进一步研究如何将该方法与其他感知和规划算法相结合，以实现更高效、更安全的机器人自主导航。
📄 摘要（原文）
We present a dual-barrier control barrier function (CBF) safety filter for real-time, safety-critical velocity control of holonomic robots operating in incrementally built occupancy grid maps. As a robot explores an unknown environment, unmapped regions introduce irreducible uncertainty, since obstacle geometry beyond the explored frontier is unknown, making entry into such regions a source of collision risk, especially with front-facing sensors. To address this, we enforce two constraints: avoidance of mapped obstacles and restriction from unexplored regions. Both constraints are derived analytically from the occupancy grid's signed distance field, yielding a closed-form safety filter that requires only a small linear system solve per cycle. On resource-constrained platforms such as the Raspberry Pi, where SLAM and planning already consume significant compute, the low overhead of the proposed filter preserves resources. An adaptive gain schedule relaxes the frontier constraint in information-rich regions and tightens it in well-mapped areas, improving exploration efficiency while maintaining safety. The filter operates in velocity space as a minimally invasive correction and composes with arbitrary nominal controllers, including learning-based methods. Hardware flight experiments on a PX4-controlled quadrotor demonstrate zero collisions across multiple indoor runs.