Safe Polytope-in-Polytope Motion Planning and Control with Control Barrier Functions
作者: Alejandro Gonzalez-Garcia, Dries Dirckx, Jan Swevers, Wilm Decré
分类: cs.RO
发布日期: 2026-06-08
备注: This work has been submitted to the IEEE for possible publication
💡 一句话要点
提出安全多面体运动规划方法以解决狭窄环境中的机器人控制问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱三：空间感知与语义 (Perception & Semantics)
关键词: 运动规划 控制障碍函数 多面体机器人 动态环境 模型预测控制 安全控制 实时规划
📋 核心要点
- 现有的运动规划方法往往将机器人简化为点或圆形，无法有效处理复杂的狭窄环境。
- 本文提出了一种基于控制障碍函数的局部运动规划方法，确保机器人在动态环境中安全移动。
- 实验结果显示，该方法在障碍物数量增加时计算时间显著降低，验证了其在实际应用中的有效性。
📝 摘要（中文）
自主移动机器人在狭窄环境中运行时，需要考虑机器人的物理轮廓进行运动规划。将几何形状简化为点或圆形过于保守，丢失了成功安全穿越狭窄通道所需的信息。本文提出了一种安全的局部运动规划与控制方法，确保多面体机器人轮廓始终保持在不断更新的凸自由空间区域内。该约束条件被形式化为一组离散时间控制障碍函数约束，嵌入模型预测控制器中。与基于多面体的障碍物规避方法相比，提出的方法在障碍物数量增加时计算时间减少了91倍。通过仿真和硬件实验验证了该方法的有效性，展示了在10Hz频率下的安全实时运动规划与控制能力，包括对动态障碍物的反应性规避。
🔬 方法详解
问题定义：本文旨在解决自主移动机器人在狭窄环境中运动规划的安全性问题。现有方法通常将机器人简化为点或圆形，导致无法充分利用环境信息，增加了碰撞风险。
核心思路：提出一种基于控制障碍函数的局部运动规划方法，确保多面体机器人轮廓始终保持在更新的凸自由空间内，从而实现安全的运动控制。
技术框架：整体架构包括模型预测控制器和离散时间控制障碍函数约束。通过实时更新自由空间几何信息，动态调整机器人的运动路径。
关键创新：该方法的创新点在于不依赖于障碍物检测或分割，安全约束的数量仅与自由空间几何复杂度和机器人形状相关，而非障碍物数量。
关键设计：在设计中，控制障碍函数的约束条件被有效整合进模型预测控制框架，确保了在复杂环境中实时响应和安全性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，提出的方法在障碍物数量增加时，计算时间最多可减少91倍，验证了其在复杂环境中的优越性能。通过仿真和实际硬件测试，展示了在10Hz频率下的安全实时运动规划与控制能力。
🎯 应用场景
该研究的潜在应用领域包括自主导航、无人驾驶汽车、服务机器人等，特别是在狭窄或动态环境中具有重要的实际价值。未来，该方法可扩展至更复杂的环境，提升机器人在多变场景中的适应能力。
📄 摘要（原文）
Autonomous mobile robots operating in tight environments require motion planning frameworks that account for the physical footprint of the robot. Simplifying the geometry to a point or a circle is conservative and discards information needed to successfully and safely traverse narrow passages. This work proposes a safe local motion planning and control method that guarantees that a polytopic robot footprint stays inside a continuously updated convex free-space region. The containment condition is formulated as a set of discrete-time control barrier function constraints within a model predictive controller. The number of safety constraints depends on the complexity of the local free-space geometry and the robot shape, instead of the number of obstacles. The proposed free-space formulation does not need any obstacle detection or segmentation. A comparative analysis against a polytope-based obstacle avoidance formulation confirms favorable scaling up to a reduction of 91$\times$ in computation time as the number of obstacles increases. The approach is validated in simulation with an autonomous surface vehicle and on hardware with a non-holonomic mobile robot, using both occupancy grids and LiDAR sensing. The experiments demonstrate safe real-time motion planning and control at 10~Hz on an onboard embedded computer, including reactive avoidance of dynamic obstacles.