想象一下，你正试图用机械手接住一个掉落的鸡蛋。问题在于，你并不知道鸡蛋究竟会在什么时候撞到你的手。也许它掉落的速度快了那么一瞬间，或者慢了那么一点点。
如果你编写程序让机器人基于一个“完美猜想”（假设鸡蛋会在正好 2.00 秒时撞击）来进行移动，而鸡蛋实际上在 2.01 秒时撞击，那么机器人可能会处于错误的位置、掉落鸡蛋，或者把鸡蛋压碎。这就是目前大多数机器人规划面临的问题：它们假设世界是可预测的，但现实世界却是混乱且充满不确定性的。
这篇论文介绍了一种名为 SURE（安全不确定性感知机器人-环境交互）的新方法，它能帮助机器人为各种“万一”情况进行规划。
核心思想：“分支路径”类比
把规划机器人的运动想象成规划一次公路旅行，但你并不知道确切什么时候会遇到交通拥堵。
- 旧方法（名义规划/Nominal Planning）： 你规划了一条单一路线，假设交通拥堵正好发生在下午 2:00。如果拥堵发生在 2:05，你就陷入了死胡同，因为你的计划没有考虑到延迟。
- “暴力破解”法（树搜索/Tree Search）： 你为每一种可能的交通时间都规划一条独特的路线。如果拥堵可能发生在 2:00、2:01、2:02 等等，你会为每一种情况计算一条路径。这非常安全，但需要消耗巨大的计算能力，以至于机器人在开始移动之前可能就卡死了。
- SURE 方法： 这是本论文的创新之处。想象你沿着一条主干道行驶，直到到达一个交通拥堵可能发生的岔路口。
- 如果拥堵发生得早，你就走 分支 A。
- 如果拥堵发生得晚，你就走 分支 B。
- 神奇的技巧： 无论你走哪条分支，它们最终都会在几英里后的同一个地点重新汇合到同一条主路上，引导你到达最终目的地。
SURE 一次性计算这种“分支与汇合”的规划。它不仅仅是为一种场景做计划，而是为一系列可能性进行规划，但它强制要求所有这些可能性都在一个安全的点重新汇合。这使得计划具有鲁棒性（即使情况稍有偏差也能奏效），同时保持了计算机工作的可控性（它不需要为每一秒钟都计算一条独特的路径）。
他们是如何测试的
研究人员通过两个现实世界的场景测试了这个想法：
1. 滑杆小车摆动（体操运动员）
想象一个顶端带有一根杆子的滑行小车机器人。机器人必须挥动这根杆子并撞向墙壁以阻止其倾倒。问题在于，机器人并不知道墙壁的确切位置，墙可能离它近几英寸，也可能远几英寸。
- 结果： 当他们使用旧的“完美猜想”方法时，由于误判了墙的位置，机器人大约有一半的时间会失败。当他们使用 SURE 时，机器人找到了一个即使墙的位置不对也能奏效的策略。它将成功率提高了 21.6%。
2. 接蛋任务（精细任务）
一个机械臂试图接住一个掉落的鸡蛋。鸡蛋释放的时间可能比预期早或晚那么一丁点。
- 结果： 旧的方法经常会压碎鸡蛋，因为当鸡蛋到达时，机器人的手移动得太快或角度不对。SURE 方法教会了机器人移动得更平滑，并等待在一个“更安全”的位置，以便无论鸡蛋早到还是晚到都能接住。在现实测试中，这使成功率提升了 40%。
为什么这很重要
这篇论文表明，通过允许机器人的计划“分支出去”以应对不确定性，并随后“汇合回来”以实现共同目标，我们可以让机器人变得更加可靠。
- 不仅是为了安全： 更是为了效率。SURE 方法足够聪明，能够在处理不确定性的同时，不需要超级计算机去计算数百万条单独的路径。
- 它改变了策略： 机器人不再仅仅是对不确定性做出反应，而是改变了它的整个运动风格，使其更具包容性。例如，在接蛋任务中，SURE 机器人甚至在接触到鸡蛋之前就以不同的方式移动，从而为自己创造了一个更大的安全余量。
简而言之，SURE 教会了机器人不要再假设世界会表现得完美无缺，而是去规划一条灵活的路线，无论时间如何偏移都能奏效，同时还能保持足够快的实时计算速度。
技术摘要：SURE —— 基于轨迹优化的安全不确定性感知机器人-环境交互
1. 问题陈述
涉及与环境间歇性接触的机器人任务（例如，运动控制、操作）会导致具有不连续动力学的混合动力系统。标准的轨迹优化（TO）针对此类系统通常假设接触事件是确定性的（例如，精确的冲击时刻）。然而，在现实场景中，环境感知存在不确定性，建模误差或跟踪误差往往导致计划接触时间与实际接触时间之间存在偏差。
现有的鲁棒控制方法主要在反馈层面解决这种不确定性，而没有对标称轨迹进行调整，这限制了其在延迟接触等场景下的性能。其他方法，如参考扩散（Reference Spreading）或树状最优控制问题（Tree OCP），要么缺乏长期最优性，要么由于对所有可能的分支轨迹进行暴力枚举而面临极高的计算复杂度。核心挑战在于开发一种能够显式考虑接触时间不确定性的轨迹优化框架，以在保持计算效率的同时增强鲁棒性。
2. 方法论
A. 标称公式化
论文首先建立了一个基于多重射击（multiple-shooting）轨迹优化的基准模型。该模型假设接触发生在特定的、确定性的节点 c。优化过程在满足系统动力学、状态/输入约束以及触发接触事件（从自由运动过渡到冲击动力学）的守卫函数 g(x) 的条件下，最小化代价函数。
B. SURE 框架
SURE（Safe Uncertainty-Aware Robot-Environment Interaction）引入了一种全新的公式化方法，它显式地对接触时间不确定性进行建模，且不会产生全树状枚举带来的指数级成本。
分支与重合拓扑结构：
SURE 并没有为从每个可能的冲击后状态到终止状态的路径分别进行规划，而是构建了一个覆盖可能冲击前状态范围的分支阶段（K）。从该阶段的每个节点出发，会分支出一条轨迹。至关重要的是，所有这些分支都被约束为在特定节点（Ke+1）处重新汇合到一条单一的共享最终轨迹上。
- 公共轨迹： 接触前路径和重合后的路径是共享的。
- 分支阶段： 代表接触可能发生的确定性窗口。
- 重合阶段： 连接每个分支冲击后状态回到公共最终轨迹的短路径。
优化公式化：
目标函数最小化公共轨迹上的运行代价、所有重合分支上的代价以及终端代价。
- 不确定性建模： 变量 d 代表不确定性范围的一半宽度。约束条件强制要求在最早可能的接触节点（K0）处，守卫函数 g(x) 等于 d，而在最晚节点（Ke）处等于 −d。
- 约束： 每个分支必须满足从其特定的冲击后状态直到合并回公共轨迹为止的动力学和约束。
控制执行策略：
- 轨迹调度： 如果具备接触感知能力，控制器将切换到与检测到的接触时间相对应的特定分支轨迹。
- 鲁棒标称轨迹： 如果缺乏感知能力，系统将遵循单一的“鲁棒标称”轨迹。这通常是中间分支（距离不确定性极端值等距的路径），该路径经过优化，旨在即使在不是任何特定实现的最优路径的情况下，也能在整个不确定性范围内表现良好。
3. 核心贡献
- 统一的鲁棒轨迹优化框架： SURE 通过允许轨迹分支并重合，显式地考虑了接触时间的不确定性，在鲁棒性与计算效率之间取得了平衡。
- 计算效率： 通过强制分支重合到一条公共轨迹，SURE 避免了全树状 OCP 方案所带来的“维度灾难”，显著减少了决策变量和计算时间。
- 实验验证： 本文提供了此类鲁棒公式在现实世界场景（接蛋）中的首次实验验证，超越了纯理论或仅基于模拟的论证。
4. 结果
案例研究 I：倒立摆系统
- 任务： 使用与墙壁在不确定位置（±d）发生冲击来稳定倒立摆系统。
- 模拟： 与标称 TO 和 Tree OCP 方法进行了对比。
- 成功率： 使用轨迹调度的 SURE 在四种初始条件下实现了 66.4% 的成功率，而标称方法为 44.8%。
- 鲁棒标称： 即使不使用调度（仅使用中间分支），SURE 也将成功率提高到了 55.3%，这证明优化过程本身确实使接触前后的运动变得更加鲁棒。
- 效率： 与 Tree OCP 相比，SURE 减少了 39.78% 的总计算时间，并减少了 76.05% 的热启动后时间，而理论最优代价仅增加了 4.85%。
案例研究 II：接蛋（真实世界实验）
- 任务： 使用 Unitree Z1 机器人机械臂捕捉一个释放时间具有不确定性（通过改变延迟 twait 模拟）的下落鸡蛋。
- 实验： 物理试验将标称轨迹与 SURE 鲁棒标称轨迹进行了对比。
- 成功率： 在时间不确定性下，SURE 实现了 85% 的整体成功率，而标称轨迹为 45%。这代表成功率提升了 40%。
- 冲击分析： 在不同的跌落高度下，鲁棒标称轨迹保持了较低的最大相对冲击速度（2.67 m/s，而标称轨迹为 3.93 m/s），有效地减轻了破碎风险。
5. 意义与主张
本文声称，与传统的标称公式相比，SURE 在不产生高昂的详尽树状方法计算成本的前提下，实质性地增强了鲁棒性。
- 策略性适应： 结果表明，SURE 不仅仅是调整接触事件附近的局部运动；它还重塑了全局运动策略（例如，改变接近角度和缓冲距离），以适应不确定性。
- 实际可行性： 成功的真实世界接蛋实验验证了该理论框架能够有效地应用于具有固有驱动和感知延迟的物理系统。
- 未来方向： 作者指出，该框架目前仅限于单次接触事件，并计划在未来工作中将其扩展到多次连续接触以及浮动基座系统（足操纵）。他们也旨在基于该鲁棒公式学习不确定性调节的策略。
每周获取最佳 computer science 论文。
受到斯坦福、剑桥和法国科学院研究人员的信赖。
请查收邮箱确认订阅。
出了点问题，再试一次？
无垃圾邮件，随时退订。