💻 computer science

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

本文提出了一种基于点云构建泊松安全函数并应用于预测与实时两阶段控制障碍函数过滤器的端到端框架，为多种足式机器人在动态场景下的碰撞规避提供了形式化的安全保证与鲁棒性。

原作者： Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

发布于 2026-03-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Erina Yamaguchi, Ryan M. Bena, Gilbert Bahati, Aaron D. Ames

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

这篇论文提出了一种让机器人（特别是像四足狗或人形机器人这样会走路的机器人）在复杂、动态的环境中既聪明又安全地避开障碍物的新方法。

我们可以把这项技术想象成给机器人装上了一套"双层防御系统"，就像是一个经验丰富的老船长（预测层）和一个反应极快的保镖（实时层）在共同驾驶一艘船。

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：机器人怎么“看”和“想”？

在实验室里，机器人周围的环境是固定的，但在现实生活中，障碍物（比如突然跑出来的狗、滚动的球、或者迎面走来的人）是动态的，而且机器人的传感器（激光雷达）看到的只是杂乱的点云数据，像是一堆散落的像素点。

传统方法的痛点：
- 太保守：像是一个胆小的人，看到前面有东西就立刻停下或后退，虽然安全，但效率极低，甚至无法完成任务。
- 太短视：像是一个只顾眼前的司机，只盯着下一秒会不会撞车，却没想到五秒后可能会掉进坑里，导致规划出的路线很笨拙。
- 太复杂：如果要精确计算机器人全身每一个关节的运动来避障，计算量太大，反应太慢，根本来不及。

2. 解决方案：分层安全过滤器（Layered Safety Filters）

作者设计了一个两层架构，把“长远规划”和“紧急避险”分开处理，就像大脑和脊髓反射的配合。

第一层：预测层（The "Strategist" / 老船长）

功能：这一层负责看未来。它利用机器人看到的点云数据，构建一张“ occupancy map"（占用地图），然后算出一个叫“泊松安全函数”（PSF）的东西。
比喻：想象你在开车，老船长会提前看地图，预测前方 5 秒内哪里可能有车，并规划出一条既高效又大致安全的路线。它知道为了避开前面的球，最好稍微往左绕个大弯，而不是直接急刹车。
作用：它生成一个“名义上的安全指令”，告诉机器人：“按这个速度走，未来几秒应该是安全的。”

第二层：实时层（The "Bodyguard" / 保镖）

功能：这一层负责保命。它运行速度极快，时刻监控机器人的状态。如果老船长规划的路线在最后一刻突然出现了没预料到的危险（比如球突然加速了），保镖会立刻介入。
比喻：保镖手里拿着一个“安全网”（控制屏障函数 CBF）。如果老船长的指令会让机器人撞墙，保镖会微调这个指令，用最小的改动把机器人拉回安全区域。它不会完全推翻老船长的计划，只是做“紧急修正”。
作用：确保机器人此时此刻绝对不会撞车。

为什么这样更好？（帕累托最优）

论文通过实验证明，单独用老船长（预测层）可能会因为反应不够快而撞车；单独用保镖（实时层）又会因为太保守而寸步难行。

分层架构 = 老船长 + 保镖。
老船长负责“走得漂亮、效率高”，保镖负责“确保不撞车”。两者结合，既保留了规划的效率，又拥有了实时的安全性。这就好比在“效率”和“安全”之间找到了完美的平衡点（帕累托最优）。

3. 关键技术细节（简单版）

从杂乱数据到安全地图：
机器人看到的点云是杂乱的。论文发明了一种算法，把这些点云变成一张平滑的、有“置信度”的地图。就像把一堆模糊的噪点照片，通过算法处理成一张清晰的、能看出哪里是墙、哪里是路的地图。
简化模型（ROM）：
为了算得快，他们不计算机器人全身几百个关节的复杂运动，而是把机器人简化成一个“单积分器”（想象成一个在平面上移动的小球）。
- 比喻：就像指挥一个庞大的舞团，你不需要指挥每一个舞者的每一个手指动作，只需要指挥“中心点”往哪走。只要中心点走对了，下面的舞者（复杂的关节）自然会跟上（只要底层控制器够好）。这样计算量大大减少，反应速度极快。

4. 实验结果：真的管用吗？

作者在真实的硬件上做了大量测试：

场景：让四足机器人（Unitree Go2）和人形机器人（Unitree G1）在草地上躲避滚动的足球、奔跑的狗，甚至是迎面走来的人。
对比：
- 只用“预测层”：在球滚得很快时，机器人反应不过来，撞车了。
- 只用“实时层”：机器人太胆小，稍微有点动静就后退，效率极低，甚至无法完成任务。
- 分层架构：在 10 次高速测试中，100% 成功避障，而且动作流畅自然，不像是在“乱窜”。

总结

这篇论文的核心思想就是：不要试图用一个大脑解决所有问题。

通过把长远的智能规划（预测层）和瞬间的生存本能（实时层）结合起来，并配合简化的数学模型，他们让机器人拥有了在混乱、动态的真实世界中“既聪明又谨慎”的能力。这就像给机器人装上了鹰的眼睛（感知）、狐狸的脑子（预测）和猎豹的反应（实时保护），让它们能安全地走进我们的日常生活。

论文技术总结：分层安全——通过多阶段 CBF 安全滤波器增强自主碰撞避免

1. 研究背景与问题 (Problem)

随着机器人系统从受控实验室环境走向非结构化的现实世界，动态环境下的自主安全运行变得至关重要，特别是对于足式机器人和人形机器人。当前面临的主要挑战包括：

感知与控制的脱节：现有的基于控制障碍函数（CBF）的方法通常依赖即时（myopic）的二次规划（QP），缺乏预测性规划，导致行为保守、无法持续可行或难以满足长期任务目标。
模型预测控制（MPC）的局限性：虽然 MPC 能进行预测规划，但在处理高维系统动力学（如全阶足式机器人）时，计算成本过高，且对未来的环境不确定性敏感，难以实时求解非凸优化问题。
安全约束的构建困难：大多数现有方法依赖预先设计的手动几何描述或符号距离场（SDF）来定义安全约束，难以直接从传感器数据（如点云）实时合成平滑的安全函数。
全阶动力学与执行器的限制：安全滤波器通常无法直接访问全阶控制输入，只能向底层控制器发送参考指令。如何在保证全阶系统安全性的同时，利用简化模型进行高效规划是一个难题。

2. 方法论 (Methodology)

本文提出了一种端到端的分层安全框架，结合了基于感知的安全合成、简化模型（ROM）预测规划和实时 CBF 滤波。该框架由三个核心部分组成：

A. 基于感知的泊松安全函数 (Poisson Safety Function, PSF) 合成

占据图构建：利用机载传感器（如 LiDAR）获取机器人中心点云，通过去噪、地面去除和投影生成瞬时占据图。
时空一致性处理：通过空间卷积平滑噪声，并利用动态置信度更新机制（结合迟滞阈值）生成时空一致的占据图。
PSF 生成：基于占据图，利用泊松方程（Poisson's Equation）求解得到泊松安全函数（PSF）。该函数将障碍物表面映射为 0 水平集，自由空间为正，从而生成平滑的、参数化的安全约束函数 $h_0$ 。

B. 多阶段安全滤波器架构 (Multistage Safety Filter)

该架构采用串联的两层设计，均基于简化模型（Reduced-Order Model, ROM，即单积分器模型）运行：

预测安全层 (Predictive Safety Layer)：
- 利用模型预测控制 (MPC) 在有限预测视界内规划轨迹。
- 将离散时间 CBF (DCBF) 约束嵌入优化问题中，确保规划轨迹在未来视界内满足安全性。
- 输出最优的短期安全速度指令 $\mu_p$ ，作为名义输入。此层侧重于任务最优性（Optimality）。
实时安全层 (Real-Time Safety Layer)：
- 接收预测层的指令 $\mu_p$ ，通过输入 - 状态安全 (ISSf) CBF-QP 进行实时滤波。
- 在最小化偏离 $\mu_p$ 的同时，强制满足瞬时 CBF 条件，并加入鲁棒性项以补偿简化模型与全阶系统之间的跟踪误差。
- 输出最终的安全速度指令 $\mu_s$ 发送给底层全阶控制器。此层侧重于安全鲁棒性（Robustness）。

C. 全阶系统安全性保证

通过定理 1 证明了：只要全阶机器人能够准确跟踪简化模型（ROM）生成的速度指令，且跟踪误差受控（通过控制 Lyapunov 函数 CLF 保证），则全阶系统的安全性得到形式化保证。这使得该方法具有“模型无关”（Model-free）的特性，无需为全阶动力学实时求解复杂的优化问题。

3. 主要贡献 (Key Contributions)

基于感知的安全合成：提出了一种从点云实时生成占据图并求解泊松方程的方法，直接生成几何参数化的 CBF 约束，无需手动设计几何模型。
多阶段无模型控制架构：设计了串联的“预测 MPC 层 + 实时 CBF-QP 层”架构。两者均基于简化模型运行，理论证明了在准确跟踪条件下可保证全阶系统安全。
性能与鲁棒性的帕累托分析：通过帕累托最优性分析，量化了任务最优性与安全鲁棒性之间的权衡，证明了分层架构优于单一阶段方法。
硬件验证：在四足机器人（Unitree Go2）和人形机器人（Unitree G1）上进行了广泛的实地实验，验证了该方法在动态、非结构化环境中的通用性和有效性。

4. 实验结果 (Results)

帕累托前沿分析：
- 预测层：单独使用时，任务最优性高，但安全鲁棒性低（容易因规划滞后导致碰撞）。
- 实时层：单独使用时，安全鲁棒性高，但任务最优性低（行为过于保守，如直接后退）。
- 分层架构：结合了两者优势，在帕累托前沿上取得了中间的最优平衡点，既保持了高效的避障策略，又确保了足够的安全裕度。
动态避障实验：
- 在四足机器人上，以不同速度（1.0 m/s 和 1.25 m/s）滚动足球进行碰撞测试。
- 低速场景：分层架构在保持高安全性的同时，展现了比实时层更优的任务执行效率。
- 高速场景：单一阶段的预测层和实时层均出现了多次碰撞失败，而分层架构在 10 次测试中全部成功避障。
通用性验证：
- 成功应用于四足机器人避球、避狗、避人。
- 成功迁移至人形机器人（Unitree G1），仅使用机载 LiDAR 实现了与人的动态避障，证明了框架对不同平台和动态障碍物的适应性。

5. 意义与价值 (Significance)

理论突破：解决了高维非线性系统在动态环境中实时安全控制的难题，通过“简化模型规划 + 全阶跟踪验证”的解耦思路，实现了形式化安全保证与计算可行性的统一。
工程实用：提供了一种通用的、端到端的解决方案，能够直接从原始感知数据（点云）生成安全约束，无需人工干预建模，极大地提升了机器人在未知动态环境中的适应能力。
性能平衡：通过分层设计，有效克服了传统 CBF 方法过于保守和 MPC 方法计算负担重或安全性不足的缺陷，为未来复杂机器人系统的自主安全运行提供了新的范式。

该论文不仅提出了创新的算法架构，还通过严格的理论证明和多样化的硬件实验，展示了其在真实世界复杂场景中的巨大潜力。