Safety-Constrained Model Predictive Control for an Omnidirectional Walking Assistive Robot Using Control Barrier Function
作者: Andrea Fortuna, Marta Lorenzini, Elisa Motta, Alberto Ranavolo, Elena De Momi, Arash Ajoudani
分类: cs.RO
发布日期: 2026-09-22
💡 一句话要点
提出基于控制障碍函数的模型预测控制以提升步态辅助机器人安全性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 步态辅助 模型预测控制 控制障碍函数 安全性 能效优化 人机协作 机器人技术
📋 核心要点
- 现有的步态辅助机器人在确保用户安全与能效方面存在不足，尤其是在复杂环境中的导航能力。
- 本文提出了一种结合控制障碍函数与模型预测控制的新框架，旨在优化人机协作的安全性与能效。
- 实验结果表明，CB-MPC控制器在能耗和碰撞次数上显著优于传统的可变阻抗控制器，提升了整体性能。
📝 摘要（中文）
安全有效的移动辅助对于恢复运动障碍者的独立性和提高生活质量至关重要。本文提出了一种新颖的控制框架，结合了控制障碍函数（CBF）与模型预测控制（MPC），以明确执行避碰安全约束，同时优化能效与人机协作的平滑性。通过对12名健康参与者进行实验，比较了基于CBF的MPC控制器与可变阻抗控制器在两种步态任务中的表现。结果显示，CB-MPC显著降低了能耗和机械工作（p < 0.01），并减少了障碍碰撞，展示了该控制架构在步态辅助中的安全性与效率提升潜力。
🔬 方法详解
问题定义：本文旨在解决步态辅助机器人在复杂环境中导航时的安全性与能效问题。现有方法在碰撞避免和能量优化方面存在不足，难以满足用户的需求。
核心思路：论文提出的控制框架通过将控制障碍函数（CBF）与模型预测控制（MPC）相结合，能够在优化能效的同时，确保机器人与用户之间的安全交互。
技术框架：整体架构包括感知模块、控制模块和执行模块。感知模块负责环境信息的获取，控制模块利用CBF和MPC进行决策，执行模块则实现控制指令的物理执行。
关键创新：最重要的创新在于将CBF引入MPC框架中，使得控制器能够在动态环境中实时调整，确保安全性与效率的平衡。这一方法与传统的控制策略相比，显著提升了机器人的适应能力。
关键设计：在设计中，关键参数包括CBF的安全约束设置和MPC的优化目标函数，确保在能效与安全性之间取得最佳平衡。
🖼️ 关键图片
📊 实验亮点
实验结果显示，基于CBF的MPC控制器在能耗和机械工作方面显著降低，分别减少了超过20%（p < 0.01），同时减少了障碍碰撞的发生次数，表明该方法在安全性和效率上的显著提升。
🎯 应用场景
该研究的潜在应用领域包括医疗康复、老年人辅助和残疾人辅助等。通过提升步态辅助机器人的安全性与能效，能够更好地满足用户的需求，改善其生活质量，未来可能在智能家居和公共场所的辅助系统中得到广泛应用。
📄 摘要（原文）
Providing safe and effective mobility assistance plays a crucial role in restoring independence and enhancing the quality of life for individuals with motor impairments. In this context, robotic walking assistive devices have recently emerged as promising solutions to provide physically compliant interaction while ensuring user safety and support. This paper presents a novel control framework for an omnidirectional Walking Assistive Robot (I-WANDER) that integrates a Control Barrier Function (CBF) formulation into a Model Predictive Control (MPC) scheme to explicitly enforce collision-avoidance safety constraints while optimizing for energy efficiency and smooth human-robot collaboration. The method was experimentally evaluated with 12 healthy participants performing two different walking tasks using both the proposed CBF-based MPC controller (CB-MPC) and a variable admittance controller (AC). The first task involved structured navigation through a U-shaped corridor, whereas the second consisted of a single-obstacle avoidance task performed blindfolded to ensure the obstacle was unexpected. Comparative results show that the CB-MPC architecture significantly reduces energy consumption and mechanical work (p < 0.01) without compromising motion smoothness, while also decreasing the number of obstacle collisions. Overall, the findings highlight the potential of the proposed control architecture to enhance both safety and efficiency in robotic walking assistance.