⚡ electrical engineering

SPARK: Safe Protective and Assistive Robot Kit

本文介绍了 SPARK，这是一个开源、模块化的基准测试与控制框架，旨在通过提供可配置的安全算法、仿真环境以及面向研究与实际部署的无缝硬件集成，来确保人形机器人的安全性。

原作者： Yifan Sun, Rui Chen, Kai S. Yun, Yikuan Fang, Sebin Jung, Feihan Li, Bowei Li, Weiye Zhao, Changliu Liu

发布于 2026-01-15

📖 1 分钟阅读☕ 轻松阅读

原作者： Yifan Sun, Rui Chen, Kai S. Yun, Yikuan Fang, Sebin Jung, Feihan Li, Bowei Li, Weiye Zhao, Changliu Liu

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

想象一下，你正在教一个巨大且笨拙的机器人如何在拥挤的房间里行走、拿起一个杯子，并把它递给你，同时又不撞倒任何东西或伤害到任何人。这非常困难，因为机器人很重，拥有许多运动部件（比如手臂、腿和腰部），而且世界充满了意外。如果你试图从头开始为每一种可能发生的情况编写安全规则，那将耗时极长且很可能失败。

这篇论文介绍了 SPARK（安全防护与辅助机器人套件），作者将其描述为一个用于构建安全机器人的 “乐高式工具箱”。与其在每次更换机器人或任务时都重新构建一套全新的安全系统，SPARK 为你提供了可以像乐高积木一样拼接在一起的预制、可互换的模块。

以下是 SPARK 的工作原理，使用了简单的类比：

1. “乐高”框架（模块化）

把机器人的大脑想象成一条工厂装配线。SPARK 将这条生产线分解为不同的工作站（模块），你可以像更换乐高积木一样进行更换：

机器人躯干（配置）： 你可以通过更换“底盘”模块来接入不同的机器人模型（例如 Unitree G1 人形机器人）。
眼睛与耳朵（智能体与任务）： 这个模块决定了机器人看到什么（模拟世界或真实摄像头）以及它要做什么（走到某个点或抓取一个物体）。
“好警察”（策略）： 这是机器人的正常大脑。它会说：“去拿那个杯子！”或“向前走！”它试图高效地完成任务，但并不担心安全性。
“安全卫士”（安全模块）： 这是 SPARK 添加的特殊模块。它会监视“好警察”。如果机器人即将撞到人类或墙壁，安全卫士就会介入，说“停下！”或“向左移！”，并对指令进行微调，以确保每个人都安全。

神奇之处在于，你可以更换不同类型的“安全卫士”（比如严格的卫士或温和的卫士），而无需重建整个机器人大脑。

2. “交通警察”算法

论文测试了五种不同的“安全卫士”风格，以观察哪种效果最好。它们就像是在繁忙路口管理交通的各种警察：

“斥力场”警察（势场法/Potential Field）： 想象一下，有看不见的磁铁将机器人从障碍物旁推开。这种方法很简单，但在拥挤的房间里，磁铁可能会把机器人推向一个角落，导致它被困住。
“数学优化型”警察（SSA, CBF, SSS）： 这些是聪明的交通警察，他们会计算出完美的路径。他们在每毫秒内解决一个数学问题，以找到既最安全又最快的路径。论文发现，这些方法在平衡安全性与完成任务效率方面表现最好。
“滑模控制”警察（SMA）： 这个警察就像是一个保镖，只有在情况变得非常危险时才会介入，快速且高效地纠正机器人的路径。

3. “飞行模拟器”对比“真实世界”

为了证明 SPARK 的有效性，作者做了两件事：

模拟实验（飞行模拟器）： 他们创建了一个包含 8 种不同场景的虚拟世界（例如：带有固定基座的机器人与行走机器人、拥有 10 个障碍物的房间与 50 个障碍物的房间）。他们针对不同的“安全卫士”算法进行了对比测试。
- 结果： “数学优化型”警察通常胜出。它们在保持机器人安全的同时，没有让动作变得过于缓慢。“斥力场”警察在复杂的拥挤房间中表现最差。
真实机器人（真实飞行）： 他们将该系统应用在真实的 Unitree G1 人形机器人上。
- 场景 A（自主性）： 机器人尝试在房间里行走，同时避开一只挥动的手。机器人成功躲避了那只手，且没有中断其任务。
- 场景 B（遥操作）： 人类使用 Apple Vision Pro 头显远程控制机器人的手臂。如果人类试图将机器人的手移动到会被卡住的柜子里，安全卫士会接管控制权，即使人类试图向外移动，也会将手保持在安全区域内。

4. 为什么这很重要

论文指出，目前构建安全机器人就像是为每一次出行都定制一台汽车发动机。SPARK 将其转变为一种 即插即用系统。

对于研究人员： 这是一个标准的测试平台。每个人都可以在相同的虚拟房间和相同的机器人中使用自己的新安全想法进行测试，从而轻松比较谁的表现更好。
对于开发者： 你不需要成为数学天才也能让机器人变得安全。你只需要选择合适的“安全卫士”模块，将其插入你的机器人，它就能正常工作。

总结

SPARK 是一个让给人形机器人安装“安全意识”变得轻而易举的工具包。它允许开发者混合搭配不同的机器人躯干、任务和安全规则。论文证明，通过使用这个工具包，机器人可以在复杂的拥挤环境中安全导航，甚至能与人类协同工作，同时还能在虚拟模拟和真实硬件中接受严格的测试。

技术摘要：SPARK（安全防护与辅助机器人套件）

1. 问题陈述

人形机器人拥有显著的物理能力，但在与复杂环境和人类交互时会带来巨大的安全风险。虽然目前存在许多安全控制方法——从基于控制障碍函数（CBF）等解析方法到数据驱动策略——但为非专家合成并部署这些控制器仍然效率低下。

识别出的核心挑战包括：

缺乏模块化： 为每个新机器人、任务或环境从头开始合成安全控制器非常耗时。现有的工具箱通常缺乏模块化能力，难以与多样化的框架无缝集成，也难以处理像人形机器人这样高维度的复杂系统。
可扩展性与泛化性： 设计一个能够处理不同任务、多样化机器人动力学和变化环境的通用安全控制器非常困难。目前的基准测试通常侧重于安全强化学习（RL）或简单的移动机器人，未能为在复杂人形平台上比较基于模型的安全控制方法提供标准化的任务。
部署障碍： 高效部署需要易于指定的任务目标与约束、经过深思熟虑的选择控制方法，以及无需调优的硬件集成，而目前的系统尚未完全支持这些需求。

2. 方法论：SPARK 框架

为了应对这些挑战，作者引入了 SPARK（Safe Protective and Assistive Robot Kit，安全防护与辅助机器人套件），这是一个综合性的、模块化的、可组合的基准框架，旨在用于人形机器人安全控制器的合成、测试与部署。

A. 模块化架构

SPARK 将控制合成过程分解为基于机器人控制系统自然依赖关系的、可互换的独立模块：

配置模块（Configuration Module）： 封装机器人特定的动力学特性（例如自由度、电机接口）和系统模型。
智能体模块（Agent Module）： 作为物理世界或仿真环境的接口。它负责状态执行，并支持通过硬件 SDK 连接仿真智能体（MuJoCo）和真实机器人（如 Unitree G1）。
任务模块（Task Module）： 将系统状态、机器人状态和用户定义的任务（如遥操作指令、轨迹）聚合到一个统一的数据结构中。它实现了信息采集与控制算法的解耦。
算法模块（后端）（Algorithm Module (Back-end)）：
- 策略模块（Policy Module）： 生成名义控制指令以实现性能目标（如到达目标点），而不考虑安全性。
- 安全模块（Safety Module）： 修改或覆盖名义指令以强制执行安全约束。这种解耦设计允许用户在不改变名义策略的情况下更换安全算法。

B. 安全选项与算法

SPARK 实现了一套基于能量函数的安全算法（基于价值的方法），通过定义标量能量函数 $\phi(x)$ 来量化风险。该框架支持：

安全集算法 (SSA)： 使用安全指数来确保系统保持在安全集内。
控制障碍函数 (CBF)： 通过确保 $\dot{\phi} < -\alpha(\phi)$ 来强制执行安全性。
次级安全集 (SSS)： 结合了 SSA 和 CBF 的优势，仅在约束激活时应用修正。
势场法 (PFM)： 在笛卡尔空间中使用斥力。
滑模算法 (SMA)： 使系统状态维持在由 $\phi=0$ 定义的滑动层附近。

这些算法通过求解约束优化问题（通常是二次规划 QP），在满足由机器人连杆与障碍物之间的成对距离函数导出的安全约束的同时，最小化与参考控制的偏差。

C. 基准测试套件

SPARK 提供了一个标准化的测试套件，其特点包括：

机器人配置： 基于 Unitree G1 人形机器人，包括固定基座、移动基座（浮动）和运动模式（学习策略）等变体。
任务目标： 手臂操作（到达 3D 目标）和基座导航（到达 2D 目标）。
约束： 静态和动态障碍物（建模为球体和长方体）、自碰撞规避以及变化的障碍物密度。
指标： 手臂/基座目标跟踪（ $J_{arm}, J_{base}$ ）以及自身/环境安全性（ $M_{self}, M_{env}$ ）的步进平均得分。

3. 核心贡献

模块化框架： SPARK 提供了一种“即插即用”的架构，允许用户通过更换模块（例如更换机器人动力学、任务或安全算法）来组装自定义的安全控制场景，而无需重新设计整个系统。
标准化基准测试： 它提供了第一个专门用于在高维人形机器人上比较基于模型的安全控制方法的标准化基准，填补了现有文献过度关注安全 RL 或更简单平台的空白。
仿真到现实的部署： 该框架通过支持实时中间件（ROS、DDS）和外部传感器（Apple Vision Pro、动作捕捉），弥合了仿真与现实之间的鸿沟，实现了将合成的控制器直接部署到真实硬件（Unitree G1）上。
全面的算法套件： 它实现并比较了五种不同的安全控制算法，为未来的研究提供了基准，并为从业者提供了工具箱。

4. 实验结果

作者通过使用 Unitree G1 的仿真基准测试和真实机器人案例研究对 SPARK 进行了评估。

算法性能：
- 基于优化的方法（SSA, CBF, SSS） 与 PFM 相比，在安全性和效率之间表现出更优越的平衡，而 PFM 在高维关节空间中表现挣扎。
- SSS 在全身运动任务中实现了最高的成功率，而 SMA 在固定基座任务中表现良好。
- CBF 在环境安全性方面表现出色，但有时会牺牲运动精度。
- PFM 在复杂的受限环境中始终表现出最低的性能。
权衡： 研究强调了安全性与效率之间固有的权衡。基于优化的方法通常优先考虑安全性，而像 SMA 这样的非优化方法在简单场景下提供了更好的效率。
真实世界部署：
- 安全自主性： 真实机器人成功避免了与人手的碰撞，同时追踪静态和动态目标。
- 安全遥操作： 使用 Apple Vision Pro，机器人在追踪目标的同时，当人类手部进入安全区域时，能优先执行碰撞规避，从而安全地执行遥操作指令（如取物）。
- 仿真与现实的相关性： 统计分析显示，在目标跟踪和安全距离方面，仿真与现实世界的指标具有高度的皮尔逊相关性（ $r > 0.7$ ），验证了框架的保真度。
- 计算成本： 系统在标准笔记本 CPU 上保持了约 70–100 Hz 的运行频率，足以满足实时控制需求。

5. 重要性与主张

本文声称 SPARK 显著降低了为复杂机器人系统合成和部署安全控制器的门槛。通过提供一个模块化、可扩展且可组合的框架，它使研究人员能够：

在多样化的机器人配置和任务之间快速原型设计并基准测试安全控制策略。
以极小的摩擦从仿真无缝过渡到现实世界部署。
系统地评估安全性与性能之间的权衡，促进更鲁棒的人形机器人自主性的发展。

作者承认了局限性，指出当前的实现无法区分不可避免的碰撞与方法失效，并且“仿真与现实之间的模型失配”仍是一个挑战。他们将 SPARK 定位为一个加速研究的基础工具，并计划在未来工作中整合安全强化学习、形式化验证工具和自动化策略调优。