⚡ electrical engineering

Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios

本文提出了一种基于控制障碍函数的分层控制框架，通过引入松弛变量和次级约束机制实现安全优先级的动态调整，并结合深度视觉在弗兰卡机器人上验证了其在近距离人机交互中应对不可避碰撞风险的有效性与鲁棒性。

原作者： Patanjali Maithani, Aliasghar Arab, Farshad Khorrami, Prashanth Krishnamurthy

发布于 2026-04-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Patanjali Maithani, Aliasghar Arab, Farshad Khorrami, Prashanth Krishnamurthy

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

这篇论文讲述了一个关于**如何让机器人变得更“聪明”、更“体贴”**的故事，特别是在它们需要和人类在同一个狭小的空间里一起工作时。

想象一下，你正在和一个巨大的机械臂一起工作。以前，机器人为了安全，通常被关在笼子里，或者动作非常慢，生怕碰到你。但这篇论文提出了一种新方法，让机器人能像一位经验丰富的“老练保镖”，既能灵活地完成任务，又能时刻保护你的安全，甚至能分清“哪里碰了会疼，哪里碰了只是有点痒”。

以下是用通俗语言和比喻对这篇论文核心内容的解读：

1. 核心挑战：当“不得不撞”时怎么办？

在人类和机器人紧密合作时，人的动作是 unpredictable（不可预测）的。有时候，机器人可能会陷入一个死胡同：它想往左走完成任务，但左边有人头；想往右走，但右边有只手。如果它必须撞向其中一边，它该怎么办？

传统做法：机器人可能会“死机”或者乱撞，因为它不知道哪个更重要。
这篇论文的做法：机器人学会了**“两害相权取其轻”**。它知道：撞到头（脑袋）是灾难性的，撞到手（手掌）虽然也不好，但没那么严重。 所以，如果必须选一个，它会选择保护头部，哪怕这意味着手可能会稍微被碰到一下。

2. 核心技术：给机器人装上“安全大脑” (CBF)

论文使用了一种叫控制屏障函数 (Control Barrier Functions, CBF) 的数学工具。你可以把它想象成机器人脑子里的一个**“隐形力场”**。

普通的力场：就像足球场上的边线，只要球（机器人）不出界就行，不管边线外是草地还是悬崖。
这篇论文的“分层力场”：
- 红色区域（头部）：这是“绝对禁区”。就像在悬崖边上插了“禁止入内”的牌子，机器人会不惜一切代价避开，哪怕任务做不完也不能碰。
- 橙色区域（手部）：这是“警戒区”。就像在悬崖边插了“小心脚下”的牌子。如果情况紧急，机器人可以稍微“妥协”一下，允许手稍微靠近一点，但绝不会让头受伤。

3. 关键机制：灵活的“妥协变量”

这是论文最精彩的部分。为了解决“左右为难”的情况，作者引入了一个**“松弛变量” (Relaxation Variable)**。

比喻：想象你在开车，前面有两只狗。一只狗（头）很脆弱，另一只狗（手）比较皮实。
- 如果没有“妥协变量”，司机可能会急刹车导致翻车（系统崩溃），或者硬撞上去。
- 有了“妥协变量”，司机就像一位老司机：“为了避开那只脆弱的狗，我可以稍微压一下路肩（牺牲一点手的距离），但绝不能撞到那只脆弱的狗。”
- 这个变量就像一个**“安全阀门”**。当冲突发生时，它允许机器人稍微放松对“手”的保护要求，从而保住对“头”的绝对保护，同时还能继续完成任务。

4. 实验验证：真机测试

作者真的拿了一台Franka Research 3 机器人（一种很先进的协作机器人）和一个ZED2i 3D 摄像头（像机器人的眼睛，能看清人的骨架）做了实验。

场景：研究人员在机器人面前移动自己的头和手。
结果：
- 当手靠近时，机器人会灵活地绕开。
- 当头靠近时，机器人会立刻做出更剧烈的避让动作，甚至为了躲头，可能会让手稍微近一点（但在安全范围内）。
- 即使情况非常紧急（比如人手快速冲向机器人），机器人也能瞬间计算出最佳路径，既没撞到头，也没完全停止工作。

5. 总结：为什么这很重要？

这就好比给机器人装上了**“情商”**。

以前的机器人是“死脑筋”，要么全停，要么乱撞。现在的机器人学会了**“优先级排序”**：

人的生命安全（头、躯干）是第一位的。
人的舒适度（手、脚）是第二位的。
工作效率是第三位的。

通过这种分层控制，机器人不再是冷冰冰的机器，而变成了一个懂得权衡、懂得保护人类弱点的智能伙伴。这让未来的工厂、医院和家庭服务机器人能更安全、更自然地与我们共处。

一句话总结：
这篇论文教机器人学会了在紧急情况下**“抓大放小”**，用数学方法确保在必须做选择时，永远优先保护人类最脆弱的部位，让协作机器人真正变得既聪明又安全。

以下是基于论文《Proactive Hierarchical Control Barrier Function-Based Safety Prioritization in Close Human-Robot Interaction Scenarios》（基于控制障碍函数的主动分层安全优先级在近距离人机交互场景中的应用）的详细技术总结：

1. 研究背景与问题陈述 (Problem Statement)

背景：随着协作机器人（Cobots）在制造、医疗和服务行业的广泛应用，人机共融环境日益普遍。然而，人类运动的不可预测性和动态性使得碰撞风险难以完全消除。
核心挑战：
- 冲突约束：在复杂动态环境中，当机器人面临多个障碍物（如人的不同身体部位）时，传统的控制障碍函数（CBF）可能导致优化问题无解（Infeasibility），即无法同时满足所有安全约束。
- 风险差异化：不同身体部位受伤的风险不同（例如，头部受伤比手部受伤后果更严重）。现有方法往往缺乏针对人体不同部位风险等级的优先级区分机制。
- 实时性要求：需要在保证安全的前提下，实时调整机器人轨迹，既要避免碰撞，又要尽量保持任务执行效率。
目标：设计一种分层控制框架，能够主动识别并优先保护高风险的人体部位，同时在约束冲突时通过智能权衡（Trade-off）确保系统始终有解。

2. 方法论 (Methodology)

论文提出了一种基于控制障碍函数（CBF）的分层安全优先控制框架，主要包含以下核心模块：

2.1 系统架构

系统采用双层架构：

性能控制器（Performance Controller）：基于逆运动学计算期望的关节速度，使机械臂末端执行器跟踪预定轨迹。
安全控制器（Safety Controller）：基于 CBF 的二次规划（QP）求解器。它接收性能控制器的指令，并在满足安全约束的前提下，输出修正后的安全关节速度。

2.2 分层 CBF 与松弛变量机制

这是本文的核心创新点：

安全集定义：将机器人连杆与人体关键点（如头部、手部）之间的距离定义为 CBF 函数 $h(x)$ 。安全集定义为 $h(x) \ge 0$ 。
优先级分层：
- 高优先级约束：针对高风险部位（如头部），施加严格的 CBF 约束，不允许松弛。
- 低优先级约束：针对低风险部位（如手部），引入松弛变量（Relaxation Variable, $\delta_{ha}$ ）。
优化问题公式化：
构建如下二次规划问题（QP）：
$\min_{\dot{q}_{safe}, \delta_{ha}} \| \dot{q}_{safe} - \dot{q}_{perf} \|^2 + \beta \delta_{ha}^2$
约束条件：
- 头部约束： $A_{head}(\dots) \ge -\alpha(h_{head})$ （严格满足）
- 手部约束： $A_{hand}(\dots) \ge -\alpha(h_{hand}) - \delta_{ha}$ （允许通过 $\delta_{ha}$ 放松）
- 其中 $\beta$ 是惩罚参数，用于平衡任务跟踪性能与手部安全。当约束冲突导致无解时，求解器会增大 $\delta_{ha}$ ，从而“牺牲”手部安全距离以保全头部安全，确保优化问题始终可行。

2.3 感知系统

硬件：使用 ZED2i AI 立体相机 进行实时深度感知和人体姿态估计。
算法：利用官方 SDK 提取 34 个骨骼关键点，实时检测人的头部和手部位置及速度，动态更新 CBF 中的障碍物状态。

3. 主要贡献 (Key Contributions)

基于风险分级的分层 CBF 框架：提出了一种新颖的机制，利用松弛变量根据人体部位的关键性（Criticality）对安全约束进行动态优先级排序。确保在极端情况下，高风险部位（头部）的安全绝对优先于低风险部位（手部）。
解决约束冲突与不可行性：通过引入松弛变量，有效解决了传统 CBF 在多重约束冲突下可能出现的优化无解问题，保证了控制器在动态环境中的鲁棒性。
实验验证：在 Franka Research 3 机械臂上进行了实物实验，结合 ZED2i 相机实现了真实的人机交互场景验证，证明了该方法在动态避障中的有效性。

4. 实验结果 (Experimental Results)

实验设置：操作员在机器人附近随机移动头部和手部，机器人执行轨迹跟踪任务。
关键发现：
- 优先级表现：当手部快速接近末端执行器时，系统会适度放松手部约束（ $\delta_{ha}$ 增大），允许轻微接触风险以维持任务；但当头部接近时，系统会立即采取激进避障动作，严格保持安全距离。
- 轨迹偏差：实验数据显示，当人体进入危险区域时，关节 1、3、5 会产生显著的速度调整以避开人体，但在人体离开后能迅速恢复至期望轨迹。
- 对比仿真：在 2-DOF 机械臂的仿真对比中，未使用松弛变量的传统 CBF 在复杂场景下出现约束违反（红色区域碰撞），而提出的分层 CBF 始终避免了高优先级障碍物的碰撞，仅在低优先级障碍物上表现出可控的松弛。
- 性能指标：在“易、中、难”三种不同难度的动态场景中，分层 CBF 均保持了高优先级障碍物的零碰撞，且均方根误差（RMSE）和最小距离（ $d_{min}$ ）均在可接受范围内。
- 计算效率：求解器平均耗时仅 0.16ms，控制周期为 16.6ms，满足实时性要求。

5. 意义与结论 (Significance & Conclusion)

理论意义：该研究为协作机器人安全控制提供了一种新的范式，即从“绝对安全”转向“基于风险权重的主动安全”。它证明了在资源受限或约束冲突的极端情况下，通过数学优化进行合理的风险权衡是可行且必要的。
实际应用价值：
- 提高了人机协作的流畅性，减少了因过度保守（如完全停止）导致的效率损失。
- 为未来在复杂非结构化环境中部署协作机器人提供了安全保证，特别是在涉及易受伤部位（如头部、躯干）的场景中。
未来展望：作者计划进一步研究基于学习的方法，根据环境语义和障碍物运动特征（如手部是否持有工具、运动速度等）自适应地调整松弛惩罚参数 $\beta$ ，以实现更智能的安全与协作平衡。

总结：这篇论文通过引入分层 CBF 和松弛变量机制，成功解决了人机近距离交互中多约束冲突和优先级管理难题，通过实物实验验证了其在保障高风险部位安全的同时，维持机器人任务执行能力的有效性。