💻 computer science

Layered Safety: Enhancing Autonomous Collision Avoidance via Multistage CBF Safety Filters

Dit artikel presenteert een robuust end-to-end raamwerk voor gelaagde veiligheidsfilters die, gebruikmakend van lokale perceptie en een Poisson-veiligheidsfunctie binnen een multistage Control Barrier Function-architectuur, dynamische botsingsvermijding garanderen voor diverse robotplatforms.

Oorspronkelijke auteurs: Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

Gepubliceerd 2026-03-03

📖 4 min leestijd☕ Koffiepauze-leesvoer

CC BY 4.0

Oorspronkelijke auteurs: Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je een robot bestuurt die door een drukke, onvoorspelbare wereld loopt. Er zijn mensen, honden, rollende ballen en andere obstakels. De robot moet niet alleen zien waar hij heen gaat, maar ook veilig blijven, zonder ergens tegenaan te lopen.

Dit artikel beschrijft een slimme nieuwe manier om robots veilig te laten bewegen. Het noemen ze "Layered Safety" (Gelaagde Veiligheid). Om dit uit te leggen, gebruiken we een analogie met een autonoom auto-chauffeur die een lastige rit maakt.

Hier is hoe hun systeem werkt, stap voor stap:

1. De Oogballen: Van Ruwe Data naar een Kaart

Eerst moet de robot zien wat er om hem heen gebeurt. De robot heeft sensoren (zoals LiDAR) die duizenden kleine punten in de lucht vangen (een "point cloud").

Het probleem: Deze punten zijn rommelig. Soms mist de sensor iets, soms ziet hij een schaduw als een muur.
De oplossing: De robot maakt er een digitale kaart van. Hij vult de gaten op en berekent hoe "veilig" elke plek is.
De Analogie: Stel je voor dat je door een mistig bos loopt. Je ziet alleen vage contouren. De robot pakt een potlood en tekent op een kaart precies waar de bomen (obstakels) staan en waar de open paden zijn. Hij maakt zelfs een "veiligheidsveld" aan: hoe dichter je bij een boom komt, hoe "roder" (gevaarlijker) de grond wordt.

2. De Twee Laagjes Veiligheid (Het Hart van het Systeem)

De meeste robots gebruiken maar één manier om veilig te zijn: ofwel kijken ze heel ver vooruit (wat traag kan zijn), ofwel reageren ze alleen op wat ze nu zien (wat soms te voorzichtig is). Deze auteurs hebben een twee-laags systeem bedacht, alsof de robot twee hersenstammen heeft die samenwerken.

Laag 1: De "Strategische Planner" (De Verre Kijker)

Dit is de eerste laag. Deze kijkt een stukje vooruit in de tijd (bijvoorbeeld de komende paar seconden).

Wat doet hij? Hij bedenkt een mooie, efficiënte route om het obstakel te ontwijken. Hij denkt: "Als ik nu een beetje naar links ga, kan ik straks rechtdoor blijven lopen."
De Analogie: Dit is als de navigatie in je auto. Hij ziet dat er een file is en zegt: "Weet je wat? Laten we nu alvast een afslag nemen om later sneller te zijn." Hij denkt strategisch en probeert de snelste route te vinden.

Laag 2: De "Reflexveiligheid" (De Snelle Reager)

Dit is de tweede laag. Deze werkt heel snel en kijkt alleen naar wat er nu gebeurt.

Wat doet hij? Hij neemt het plan van de eerste laag en controleert het direct. Als de robot plotseling struikelt of een hond plotseling voorbij rent, grijpt deze laag in. Hij zorgt dat de robot niet nu tegen een muur rijdt, zelfs als dat betekent dat het plan even moet worden aangepast.
De Analogie: Dit is als je reflexen. Als er plotseling een bal op je pad komt, duw je je hoofd weg, zonder na te denken over de route naar huis. Hij zorgt voor de onmiddellijke veiligheid.

3. Waarom is dit zo slim? (Het Evenwicht)

Als je alleen de "Strategische Planner" gebruikt, kan de robot soms te roekeloos zijn (hij probeert te snel te zijn en mist een gevaar). Als je alleen de "Reflexveiligheid" gebruikt, wordt de robot te bang en stopt hij bij elk klein dingetje (hij loopt nergens meer op).

Door ze samen te laten werken, krijgt de robot het beste van beide werelden:

Hij heeft een plan om efficiënt te blijven lopen (niet te traag).
Hij heeft een veiligheidsnet dat hem redt als het plan mislukt of als er iets onverwachts gebeurt.

De auteurs noemen dit een "Pareto-optimum". Dat is een moeilijke term, maar het betekent simpelweg: "We hebben de perfecte balans gevonden tussen snelheid en veiligheid. Je kunt niet sneller zijn zonder minder veilig te worden, en niet veiliger zonder trager te worden."

4. De Test: Robots in het echt

De wetenschappers hebben dit niet alleen op de computer getest, maar ook op echte robots:

Een hondje (Unitree Go2): Een viervoetige robot die door een veld loopt en een rollende voetbal moet ontwijken.
Een mens (Unitree G1): Een humanoïde robot (die op een mens lijkt) die een persoon moet ontwijken.

In alle situaties lukte het de robot om veilig en soepel te bewegen, zelfs als de obstakels snel bewogen. De "enkel-laagse" systemen (alleen planner of alleen reflex) faalden vaker of botsten.

Samenvatting in één zin

Dit artikel beschrijft een slimme robot-architectuur die een lange-termijn plan combineert met een snelle reflex, zodat robots veilig en efficiënt door een chaotische wereld kunnen bewegen zonder ergens tegenaan te lopen. Het is alsof je een robot geeft die zowel een strategische kapitein als een snelle reddingsboot heeft.

Probleemstelling

De inzet van robotische systemen verschuift van gecontroleerde laboratoria naar ongestructureerde, dynamische real-world omgevingen. Voor looprobots (zoals viervoeters en humanoids) is het cruciaal om veilig te opereren zonder botsingen, zelfs onder sensorruis en gedeeltelijke waarneming. Bestaande methoden voor botsingvermijding hebben echter fundamentele beperkingen:

Control Barrier Functions (CBF): Deze bieden real-time veiligheidsgaranties maar opereren vaak "kortzichtig" (myopisch). Ze optimaliseren veiligheid op het huidige moment zonder voorspellende planning, wat kan leiden tot conservatief gedrag of het falen van langetermijndoelen.
Model Predictive Control (MPC): Dit kan langetermijnplanning en veiligheid combineren, maar is vaak computationally zwaar, kwetsbaar voor onzekerheden in de toekomstige omgeving, en moeilijk toe te passen op complexe, hoog-dimensionale dynamische systemen (zoals volledige robotdynamica).
Perceptie-integratie: Veel methoden vereisen handmatige geometrische beschrijvingen van veiligheidsgebieden, wat niet schaalbaar is voor dynamische omgevingen die alleen via sensoren (zoals puntwolken) worden waargenomen.

Het doel van dit onderzoek is een robuust, end-to-end kader te ontwikkelen dat perceptie, planning en controle integreert om dynamische botsingvermijding mogelijk te maken met formele veiligheidsgaranties.

Methodologie

De auteurs stellen een meestaps veiligheidsfilter (Multistage Safety Filter) voor binnen een end-to-end architectuur. De aanpak combineert voorspellende planning met real-time veiligheidsfilters, gebaseerd op een gereduceerd orde-model (ROM).

1. Perceptie en Veiligheidsfunctie Synthese

Occupancy Mapping: Het systeem verwerkt lokale puntwolken (point clouds) in real-time. Dit omvat het verwijderen van het grondvlak, het maskeren van zelf-detecties en het projecteren op een 2D-rooster.
Confidentie Map: Om ruis en occlusie te compenseren, wordt een dynamische confidentie-map bijgewerkt met een hysterese-thresholding-methode. Dit zorgt voor een ruimtelijk en temporair consistente bezettingskaart.
Poisson Safety Function (PSF): Op basis van de bezettingskaart wordt een PSF berekend door de Poisson-vergelijking op te lossen. Dit genereert een gladde, differentieerbare veiligheidsfunctie $h_0$ die direct uit perceptiedata wordt afgeleid. De nul-niveau-lijn van deze functie definieert de obstakeloppervlakken, terwijl het gebied eromheen de veilige ruimte voorstelt.

2. Meestaps Architectuur

De architectuur bestaat uit twee opeenvolgende lagen die beide werken op een Single-Integrator Reduced-Order Model (ROM) (centroïdale positie en oriëntatie), in plaats van de volledige complexe robotdynamica.

Voorspellende Veiligheidslaag (Predictive Layer):
- Gebruikt Model Predictive Control (MPC) met Discrete-Time CBF (DCBF) constraints.
- Optimaliseert een traject over een eindige horizon om de afwijking van de nominale opdracht te minimaliseren, terwijl de PSF-constraints worden gerespecteerd.
- Dit zorgt voor strategische, langetermijnplanning (bijv. het kiezen van een efficiënte route rond een obstakel).
- Output: Een geplande veilige snelheidsopdracht ( $\mu_p$ ).
Real-time Veiligheidslaag (Real-Time Layer):
- Een CBF-QP (Kwadratisch Programmeren) filter dat de output van de voorspellende laag ( $\mu_p$ ) verwerkt.
- Deze laag werkt op een hogere frequentie en zorgt voor onmiddellijke veiligheid door de opdracht minimaal aan te passen om de CBF-voorwaarde te voldoen.
- Het gebruikt een Input-to-State Safe (ISSf) CBF om robuustheid te bieden tegen trackingfouten tussen het ROM en het volledige robotsysteem.

3. Formele Veiligheidsgaranties

De auteurs bewijzen (Theorema 1) dat als het volledige robotsysteem de snelheidsopdrachten van het ROM nauwkeurig volgt, de veiligheid van het volledige systeem gegarandeerd is. Dit maakt een "model-vrije" architectuur mogelijk voor de planning, waarbij de complexiteit van de volledige dynamica wordt afgekoppeld van de veiligheidsberekening.

Belangrijkste Bijdragen

Perceptie-gebaseerde veiligheidsynthese: Een algoritme voor het genereren van bezettingskaarten uit puntwolken en het afleiden van Poisson Safety Functions voor het creëren van CBF-constraints met geometrische parametrisatie.
Model-vrije Meestaps Architectuur: Een gekaskedeerde structuur die een voorspellende MPC-laag combineert met een real-time CBF-QP filter, beide opererend op een ROM. Dit biedt theoretische garanties voor het volledige systeem.
Pareto-analyse: Een karakterisering van de trade-off tussen optimaliteit (taakuitvoering) en robuustheid (veiligheidsmarge), die aantoont dat de meestaps-aanpak superieur is aan enkelvoudige lagen.
Hardware Validatie: Uitgebreide experimenten op viervoetige (Unitree Go2) en humanoid (Unitree G1) robots in dynamische, real-world scenario's.

Resultaten

De prestaties werden gevalideerd via hardware-experimenten en een Pareto-optimaliteitsanalyse:

Pareto-analyse:
- De voorspellende laag alleen levert hoge optimaliteit (efficiënte routes) maar lage robuustheid (kleine veiligheidsmarges).
- De real-time laag alleen levert hoge robuustheid (veilig, maar conservatief) maar lage optimaliteit (onnodig trage of omwegen).
- De meestaps architectuur bereikt een ideaal middenpunt: het combineert de efficiëntie van de voorspellende planning met de onmiddellijke veiligheidsgaranties van de real-time filter.
Experimenten (Unitree Go2):
- Bij een bal met een snelheid van 1,0 m/s vermijden alle filters botsingen, maar de meestaps-filter toont de beste balans tussen efficiëntie en veiligheidsmarge.
- Bij hogere snelheden (1,25 m/s) faalden de enkelvoudige filters (voorspellend faalde door trage reactie, real-time faalde door kortzichtigheid en modelmismatch). De meestaps-filter slaagde in 100% van de trials.
Generaliteit: Het systeem slaagde erin om succesvol botsingen te vermijden met diverse obstakels (rollende ballen, honden, mensen) en op verschillende platforms (viervoeter en humanoid), uitsluitend gebruikmakend van onboard sensoren.

Significantie

Dit werk is significant omdat het een brug slaat tussen de theoretische garanties van CBF-methoden en de praktische noodzaak van voorspellende planning in dynamische omgevingen. Door de complexiteit van de volledige robotdynamica te omzeilen via een ROM en toch formele veiligheidsgaranties te bieden voor het volledige systeem, maakt het de toepassing van geavanceerde veiligheidsfilters op complexe, hoog-dimensionale robots mogelijk. De methode lost het probleem op van "kortzichtigheid" in CBF's en "rekenkracht/onzekerheid" in MPC, en biedt een schaalbare oplossing voor autonome robots die veilig moeten opereren in onvoorspelbare menselijke omgevingen.