Adaptive Risk-Certified Event-Triggered Replanning for Dynamic Navigation

📄 arXiv: 2610.09302v1 📥 PDF

作者: Richie R. Suganda, Bin Hu

分类: cs.RO, eess.SY

发布日期: 2026-10-07

备注: for associated mpeg file, see https://nail-uh.github.io/corl2026.github.io/

💡 一句话要点

提出CERT-Replan以解决动态环境下安全导航问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 动态导航 安全规划 风险认证 机器人技术 障碍物预测 控制系统 重规划 事件触发

📋 核心要点

  1. 现有方法在动态环境中导航时，难以处理障碍物预测的不确定性，导致安全风险增加。
  2. 本文提出CERT-Replan框架，通过校准的障碍物风险作为重规划的预警信号，动态评估安全边际。
  3. 在实验中，CERT-Replan实现了83.3%的碰撞减少，且在硬件实验中表现出良好的计算效率。

📝 摘要（中文）

在动态环境中，安全导航要求机器人在障碍物预测误差不确定且非平稳的情况下进行规划，这可能导致罕见但安全关键的失败。现有的控制屏障函数安全过滤器只能立即拒绝不安全的控制，但对当前有限时间规划模式何时变得不安全提供的指导有限。本文提出了符合事件触发的风险认证重规划框架（CERT-Replan），该框架利用校准的障碍物风险作为重规划的早期预警信号。CERT-Replan在线校准地平面索引障碍物预测残差，并利用结果的不确定性半径评估动态障碍物的安全边际。实验结果表明，CERT-Replan在非平稳基准测试中相较于仅使用安全过滤器的基线实现了83.3%的碰撞减少，并且在硬件实验中展示了计算的可行性。

🔬 方法详解

问题定义：本文旨在解决动态环境中机器人导航的安全性问题，现有方法在处理障碍物预测误差时存在不足，无法有效应对不确定性和非平稳性所带来的风险。

核心思路：CERT-Replan框架通过在线校准障碍物预测残差，利用这些残差的不确定性半径来评估动态障碍物的安全边际，从而实现更安全的重规划。

技术框架：该框架包括多个模块：首先是障碍物预测的校准模块，其次是安全边际评估模块，最后是基于风险监控的重规划决策模块。

关键创新：CERT-Replan的创新在于使用校准的风险作为重规划的早期预警信号，区别于传统方法仅依赖于安全过滤器的即时反应。

关键设计：在设计中，CERT-Replan设置了一个一步安全过滤器来保护下一个控制指令，并通过评估当前MPC滚动过程中的上尾CVaR来监控风险，确保在风险超出预算时进行有效的重规划。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

CERT-Replan在非平稳基准测试中实现了83.3%的碰撞减少，相较于仅使用安全过滤器的基线，且减少了32.4%的安全过滤器干预次数。在使用Trajectron++的实验中，CERT-Replan达到了96%的无碰撞操作，展示了其在实际应用中的有效性。

🎯 应用场景

该研究具有广泛的应用潜力，尤其在自动驾驶、无人机导航和机器人操作等领域。通过提高动态环境中的安全性，CERT-Replan能够有效降低事故风险，提升系统的可靠性和用户信任度。未来，该框架还可以扩展到更复杂的环境和多机器人协作任务中。

📄 摘要（原文）

Safe navigation in dynamic environments requires robots to plan under obstacle predictions whose errors are uncertain, non-stationary, and can induce rare but safety-critical failures. Existing control-barrier-function safety filters can reject immediately unsafe controls, but they provide little guidance on when the current finite-horizon planning mode itself is becoming unsafe as prediction uncertainty evolves. We propose Conformal Event-Triggered Risk-Certified Replanning (\emph{CERT-Replan}), a framework that uses calibrated barrier risk as an early-warning signal for replanning. CERT-Replan calibrates horizon-indexed obstacle-prediction residuals online and uses the resulting uncertainty radii to evaluate dynamic-obstacle safety margins. A one-step safety filter protects the next applied control, while a horizon-level risk monitor evaluates the upper-tail CVaR of predicted barrier-violation losses along the current MPC rollout. When this risk exceeds an allocated budget, CERT-Replan rejects the current planning mode and selects a lower-risk alternative, such as a different speed profile, corridor, or homotopy class, rather than repeatedly correcting the same nominal plan. In a non-stationary benchmark, CERT-Replan achieves an (83.3\%) collision reduction relative to the safety-filter-only baseline \textcolor{black}{and a (77.8\%) reduction relative to simple replanning triggers}, while reducing average safety-filter intervention by (32.4\%). \textcolor{black}{With Trajectron++, CERT-Replan achieves (96\%) collision-free operation. Hardware experiments and onboard runtime profiling demonstrate computational feasibility.}