Each language version is independently generated for its own context, not a direct translation.

这篇文章介绍了一种让机器人（比如送货小车或无人机）在人来人往、充满变数的动态环境中安全行走的新方法。

我们可以把这项技术想象成给机器人装上了一套"超级直觉导航系统"。

1. 核心难题：机器人怕“撞车”

想象一下，你让一个机器人去超市取东西。路上全是走路的行人，他们忽快忽慢，还会突然拐弯。

传统方法：就像让机器人背一本厚厚的“避障手册”。如果人少，手册还能翻得过来；如果人多了，或者人走得很快，手册就太厚了，机器人反应不过来，要么撞车，要么为了安全干脆不敢动（太保守）。
现有 AI 方法：有些方法试图让机器人“学习”怎么避障，但往往学得不完美，要么算不准哪里安全，要么为了绝对安全而走得像蜗牛一样慢。

2. 新方案：CN-CBF（复合神经控制屏障函数）

作者提出了一种叫 CN-CBF 的新方法。我们可以用三个生动的比喻来理解它：

比喻一：把“动态”变成“静态”的相对视角

旧思路：机器人要时刻计算“我相对于地面的位置”和“那个行人相对于地面的位置”，这就像在狂风中试图保持平衡，非常难算。
CN-CBF 的妙招：它让机器人只关注“我和那个人的相对关系”。
- 想象你在玩射击游戏，你不需要知道敌人绝对在地图的哪里，你只需要知道“敌人在我的左前方 5 米”。
- 通过这种相对视角，原本不断变化的危险区域，在机器人的“眼里”变成了一个静止不动的靶子。这让计算变得简单多了。

比喻二：用“残差网络”做“安全保险”

问题：神经网络（AI 的大脑）有时候会犯错，可能会误判“这里很安全”，结果其实那里有墙。
CN-CBF 的解法：他们设计了一种特殊的网络结构，叫残差架构。
- 这就好比一个老练的教练（已知的安全规则）和一个新手学徒（神经网络）一起工作。
- 教练说：“只要离墙 1 米以内，绝对不安全。”
- 新手学徒的任务不是重新发明安全规则，而是只学习“除了那 1 米以外，哪里还稍微有点危险”。
- 因为学徒只负责“查漏补缺”，而且被限制只能输出“正数”（表示额外的危险），所以无论学徒怎么学，它永远不可能把“危险区”误判为“安全区”。这就像给安全系统加了一道绝对保险锁。

比喻三：把“多个警报”合成“一个总控”

场景：如果前面有 10 个行人，机器人要同时处理 10 个避障信号吗？
CN-CBF 的做法：它先为每一个行人单独训练一个“避障小专家”（单个神经 CBF）。
然后，它用一个平滑的“合成器”（聚合函数），把这 10 个小专家的意见合并成一个总指挥信号。
这就好比一个乐队，每个乐手（每个行人）都有自己的旋律，但指挥（合成函数）能把它们融合成一首和谐的交响乐，让机器人知道：“只要避开最危险的那个，其他也就安全了”。

3. 效果如何？

作者在实验室和真实世界中做了大量测试（包括地面小车和四旋翼无人机）：

更聪明：在行人很多、很乱的情况下，它的成功率比现有的最好方法高了18%。
不啰嗦：它没有为了安全而让机器人走得畏畏缩缩，路径依然很流畅，速度也很快。
真能用：不仅在电脑模拟里跑通了，还真的装在了真实的机器人上，成功避开了真人的碰撞。

总结

简单来说，CN-CBF 就是给机器人装了一个既懂相对运动、又有绝对安全底线、还能同时处理多个动态障碍的“超级大脑”。它让机器人在拥挤的人群中，能像经验丰富的老司机一样，既安全又丝滑地穿梭。

Each language version is independently generated for its own context, not a direct translation.

CN-CBF：动态环境中安全机器人导航的复合神经控制障碍函数技术总结

1. 研究背景与问题定义

在动态和不确定环境中，自主机器人的安全导航仍是核心挑战。现有的安全过滤方法主要依赖控制障碍函数（Control Barrier Functions, CBFs）。CBF 通过将安全约束转化为二次规划（QP）问题，能够高效地修正名义控制输入以保证系统安全。

然而，传统 CBF 方法面临以下主要痛点：

设计困难：为具有状态和控制约束的非线性系统设计合适的 CBF 极具挑战性。
动态环境适应性差：在基于局部感知的动态环境中，障碍物是移动的，导致失效集（Failure Set）随时间变化，现有的离线 CBF 设计方法难以实时生成。
最优性缺失：基于学习的方法往往难以恢复最优的安全集，而基于哈密顿 - 雅可比（HJ）可达性分析的方法虽然能计算最优安全集，但通常计算量巨大，难以处理多障碍物场景（维数灾难）。

本文旨在提出一种简单且有效的神经 CBF 设计方法，能够在动态环境中实现安全导航，同时保证安全集的最优性、可扩展性（任意数量障碍物）以及严格的安全性（安全集不与失效集相交）。

2. 方法论 (CN-CBF)

作者提出了一种名为 CN-CBF (Composite Neural Control Barrier Function) 的框架，其核心思想是将多个针对单个障碍物的神经 CBF 聚合为一个复合 CBF。

2.1 基于相对动力学的 HJ 可达性分析

相对状态变换：为了处理移动障碍物，作者不直接对机器人动力学建模，而是定义机器人状态 $x$ 和障碍物状态 $o$ 的相对状态 $z = \rho(x, o)$ 。
静止失效集：在相对坐标系下，失效函数 $\ell(z)$ 是静止的（不随时间变化），这使得 HJ 可达性分析更加高效。
博弈视角：相对动力学被视为一个博弈系统，机器人输入 $u$ 试图远离失效区，而障碍物输入 $d$ （视为对抗性输入）试图将其推向失效区。

2.2 神经近似与残差架构

值函数近似：利用 HJ 可达性分析计算出的最优值函数 $V(z)$ 作为 CBF 的目标。由于数值求解器生成的网格数据占用内存大且难以插值，作者使用神经网络来近似该值函数。
残差学习：已知 $V(z) \le \ell(z)$ ，作者定义 $V(z) = \ell(z) - r(z)$ ，其中 $r(z) \ge 0$ 是残差。神经网络仅用于学习非负的残差函数 $r_\Theta(z)$ 。
安全性保证：通过在网络输出端使用非负激活函数（如 Softplus），确保学习到的安全集 $\bar{h}_\Theta(z) = \ell(z) - r_\Theta(z)$ 永远不会与失效集相交，从而从理论上保证了安全性。

2.3 复合 CBF 与聚合函数

多障碍物处理：对于 $M$ 个障碍物，分别计算 $M$ 个相对 CBF $\bar{h}_\Theta(z_i)$ 。
平滑聚合：使用平滑的 $\min$ 函数近似（Softmin）作为聚合函数 $\eta$ ，将多个 CBF 合并为单个复合 CBF：
$h_\Theta = -\frac{1}{\beta} \ln \left( \sum_{i=1}^M e^{-\beta \bar{h}_\Theta(z_i)} \right)$
这种方法保证了复合 CBF 的可微性，且复合后的不安全区域是各个单独不安全区域的超集。
实时计算：利用自动微分框架（如 PyTorch），可以在单次前向和反向传播中同时获得 CBF 值及其关于机器人和障碍物状态的梯度，直接用于 CBF-QP 求解器。

3. 主要贡献

动态环境下的神经 CBF 设计：提出了一种同时满足以下条件的创新方法：
- 恢复针对单个障碍物的近最优安全集。
- 通过残差架构保证学习到的安全集严格不进入失效集。
- 可扩展至任意数量的障碍物（通过复合机制）。
- 注：现有方法无法同时满足上述所有条件。
高效性：将数据生成和模型训练时间从数十小时（传统 HJ 方法）缩短至几分钟。
广泛的验证：在地面机器人（单轮车模型）和四旋翼无人机（双积分器模型）上进行了大量的仿真和硬件实验，对比了多种基线方法（如 MPC 变体、C3BF、HO-CBF 等）。

4. 实验结果

4.1 仿真实验

地面机器人：在包含 5-15 名动态行人（基于社会力模型）的拥挤环境中测试。
- 成功率：CN-CBF 的成功率比最佳基线方法（如 RNTC-MPC）高出最多 18%。
- 运动质量：在提高安全性的同时，路径长度和到达目标的时间与基线方法相当或更优，未表现出过度保守。
四旋翼无人机：在 2D 双积分器模型下，与 5-20 个动态障碍物交互。
- 同样取得了最高的成功率，且运动效率优于 C3BF 和 HO-CBF。

4.2 硬件实验

地面机器人：搭载 3D 激光雷达和立体相机的配送机器人在真实环境中避障。尽管存在模型失配和噪声，CN-CBF 成功避免了碰撞，CBF 值虽有微小负值（由于缓冲），但系统保持安全。
四旋翼无人机：在 Crazyflie 平台上与 5 架其他无人机进行避障测试。
- 结果：基线方法（C3BF 和 HO-CBF）均发生了碰撞，而 CN-CBF 成功避免了所有碰撞。
- 优势：基线方法需要为每个障碍物单独构建 CBF，而 CN-CBF 仅构建一个复合 CBF，计算结构更紧凑。

5. 意义与结论

CN-CBF 方法解决了动态环境中安全导航的关键难题。它巧妙地结合了HJ 可达性分析的理论最优性与神经网络的泛化及计算效率。

理论价值：证明了通过相对动力学和残差学习，可以在保证严格安全性的前提下，高效逼近最优安全集。
应用价值：该方法计算轻量，能够实时运行（仿真中安全滤波器运行频率达 250Hz），且无需预先定义障碍物数量，非常适合在高度动态、未知的真实世界场景中部署。
未来展望：作者计划将其扩展至异构障碍物环境（不同动力学模型），并探索可训练的聚合函数以进一步逼近联合 CBF。

综上所述，CN-CBF 为动态环境下的机器人安全控制提供了一种兼具理论严谨性、计算高效性和实际鲁棒性的新范式。

CN-CBF: Composite Neural Control Barrier Function for Safe Robot Navigation in Dynamic Environments