💻 computer science

A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance

本文提出了一种无需在线优化的闭式 CLF-CBF 控制器，通过解析嵌入安全约束，实现了软体连续体机器人在动态复杂环境中的实时、稳定且具备形式化安全保证的全身体碰撞规避。

原作者： Kiwan Wong, Maximillian Stölzle, Wei Xiao, Daniela Rus

发布于 2026-03-23

📖 1 分钟阅读☕ 轻松阅读

原作者： Kiwan Wong, Maximillian Stölzle, Wei Xiao, Daniela Rus

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

这篇论文介绍了一种让软体机器人（像章鱼触手一样柔软、可弯曲的机器人）在复杂环境中既灵活又绝对安全的新方法。

为了让你更容易理解，我们可以把这篇论文的核心内容想象成给机器人装上了一个"超级直觉导航员"。

1. 背景：为什么软体机器人需要“超级导航员”？

想象一下，你手里拿着一根长长的、柔软的橡胶管子（这就是软体机器人）。

它的优点：它很软，碰到人也不会像硬邦邦的机械臂那样把人撞伤（这叫“被动安全”）。
它的缺点：因为它太软了，形状千变万化，如果没人指挥，它可能会像面条一样乱扭，不小心撞到周围的杯子、墙壁或者人。

以前的方法主要有两种：

画地图法（采样规划）：像下棋一样，提前算好几万步怎么走才能避开障碍。但这太慢了，就像让机器人停下来思考“我下一步该往哪迈”一样，根本来不及反应，而且一旦环境变了（比如有人突然走过来），之前的计划就废了。
在线计算法（QP 优化）：让机器人每走一步都做一个复杂的数学题，算出最安全的下一步。但这就像让机器人每走一步都要解一道微积分考试题，算得太慢，甚至有时候算不出来（无解），导致机器人卡住。

2. 核心创新：从“做数学题”变成“凭直觉反应”

这篇论文提出了一种**“闭式解”（Closed-Form）**控制器。

打个比方：

以前的方法（在线优化）：就像你在开车时，每遇到一个红绿灯或行人，都要停下来拿出计算器，算出刹车力度和转向角度，算完再开。这太慢了，而且容易算错。
这篇论文的方法（闭式解）：就像老司机开车。看到前面有障碍物，大脑瞬间（几乎是本能地）就做出了“稍微偏左一点”的反应。不需要计算，不需要思考，公式直接给出了答案。

作者把这个复杂的数学问题（CLF-CBF 控制器）直接简化成了一个现成的公式。机器人不需要在运行时去“解方程”，只需要把当前的位置代入公式，就能瞬间得到下一步该怎么做。

3. 它是如何工作的？（两个核心概念）

这个“超级导航员”脑子里有两个核心原则：

CLF（控制李雅普诺夫函数）——“我想去哪？”
- 这代表了任务目标。比如：“我要去那个红色的球那里”。它负责让机器人努力向目标前进，不要迷路。
CBF（控制障碍函数）——“别撞车！”
- 这代表了安全底线。比如：“离那个花瓶至少保持 5 厘米”。它负责在机器人快要撞到时，强行把它拉回来。

以前的难点：这两个原则经常打架。比如目标在花瓶后面，机器人想过去（CLF），但花瓶挡路（CBF）。以前的方法需要花大量时间计算怎么平衡这两者，甚至算不出来。

这篇论文的妙招：
作者发明了一种**“聚合魔法”（Log-Sum-Exp）。
想象机器人身上贴满了无数个小气球**（把机器人身体分成很多段，每段都看作一个小球）。

以前：机器人要分别计算它身上的 100 个小气球和周围 10 个障碍物之间的 1000 种距离关系，这太复杂了。
现在：作者把所有这些关系压缩成了一个**“超级距离感”**。机器人不需要知道具体哪个气球离哪个障碍物近，它只需要知道“我离所有障碍物最近的距离是多少”。
一旦这个“超级距离”小于安全线，公式就会自动调整机器人的动作，像弹簧一样把它弹开，同时尽量不偏离目标。

4. 效果有多好？

论文通过模拟和真实的硬件实验证明了：

速度快得惊人：
- 比传统的“在线做数学题”方法快 10 倍。
- 比“画地图”的方法快 100 倍。
- 这意味着机器人可以在高速运动中实时避障，就像在拥挤的人群中穿梭的舞者，而不是慢吞吞的乌龟。
更平滑、更精准：
- 因为不需要频繁切换计算模式，机器人的动作非常流畅，不会像以前那样突然急停或抖动。
绝对安全：
- 在实验中，当目标就在障碍物后面时，纯任务导向的机器人会直接撞上去；而这个新控制器会让机器人优雅地绕开障碍物，停在离目标最近的安全位置。

5. 总结

简单来说，这篇论文给软体机器人装上了一个**“不用思考、瞬间反应”的安全大脑**。

它不再让机器人停下来做复杂的数学题，而是通过一个精妙的数学公式，让机器人像有第六感一样，在保持灵活运动的同时，本能地避开所有障碍物。这让软体机器人真正具备了在人类家庭、医院等复杂环境中安全工作的能力。

这是一份关于论文《A Closed-Form CLF-CBF Controller for Whole-Body Continuum Soft Robot Collision Avoidance》（一种用于全身体连续软体机器人避障的闭式 CLF-CBF 控制器）的详细技术总结。

1. 研究背景与问题 (Problem)

应用场景与挑战：在医疗、制造等以人为中心的 3D 环境中部署机器人时，安全性至关重要。虽然软体连续机械臂（Soft Continuum Manipulators）因其物理顺应性（compliance）具有被动安全优势，但在高精度、大负载或混合刚性 - 软体架构下，仅靠被动顺应性不足以保证安全。软体机器人仍可能产生巨大的冲击力或发生结构损坏。
现有方法的局限性：
- 基于采样的规划（如 RRT）*：计算成本高，难以满足实时性要求，且通常缺乏形式化的安全保证。
- 模型预测控制（MPC）：同样面临在线优化计算负担重的问题。
- 基于优化方法的 CLF-CBF：传统的控制李雅普诺夫函数（CLF）与控制障碍函数（CBF）结合通常需要在每个控制步求解二次规划（QP）。对于高维度的软体机器人，由于需要精细的几何离散化（如将机器人身体离散为大量球体）来检测碰撞，会导致约束数量巨大（ $N_{res} \times N_{obs}$ ），使得在线求解 QP 变得极其困难，甚至出现数值不稳定、不可行（infeasibility）或控制频率受限的问题。

2. 方法论 (Methodology)

本文提出了一种闭式（Closed-Form）的 CLF-CBF 控制器，旨在无需在线优化求解的情况下，实现软体机器人的实时全身体避障。

运动学建模：
- 采用**分段恒定应变（Piecewise Constant Strain, PCS）**模型来描述软体机器人的 3D 运动学。
- 将连续骨架离散化为 $N$ 个段，每段具有恒定的应变（弯曲、扭转、拉伸、剪切）。
- 建立了肌腱驱动（Tendon-driven）的驱动运动学模型，将肌腱长度变化映射到机器人构型。
安全与任务定义：
- 全身体碰撞检测：将软体机器人近似为沿骨架分布的 $N_{res}$ 个球体的集合，环境障碍物视为 $N_{obs}$ 个球体。定义任意机器人球体与障碍物之间的距离函数 $b_{i,j}(q)$ 。
- 控制障碍函数 (CBF)：要求所有成对距离大于安全裕度 $d_{safe}$ 。
- 控制李雅普诺夫函数 (CLF)：定义任务目标（如末端执行器到达目标点）的误差平方和，用于保证系统稳定性。
核心创新：闭式解推导：
- 约束聚合：为了避免处理成千上万个成对距离约束，利用 Log-Sum-Exp (LSE) 近似将所有 CBF 约束聚合为一个平滑的全局障碍函数 $b_{LSE}$ 。这保证了如果 $b_{LSE} \ge 0$ ，则所有成对距离均满足安全条件。
- 解析求解 QP：传统的 CLF-CBF 需要在线求解带松弛变量的 QP。本文通过拉格朗日乘子法和 KKT 条件，直接推导出最优控制输入 $u^*$ 的闭式解析表达式。
- 求解过程：
  1. 构建包含 CLF 和聚合 CBF 的 QP 问题。
  2. 引入松弛变量 $\delta$ 处理 CLF 约束的可行性。
  3. 利用 KKT 条件将问题转化为求解拉格朗日乘子 $\lambda_V$ (对应 CLF) 和 $\lambda_h$ (对应 CBF) 的线性方程组。
  4. 最终控制律 $u^*$ 是这些乘子与梯度向量（ $a_V, a_h$ ）的线性组合。
- 优势：该方法完全消除了在线优化求解器（QP Solver）的需求，将计算复杂度从迭代优化降低为简单的矩阵运算。

3. 主要贡献 (Key Contributions)

高维软体机器人的闭式 CLF-CBF 控制器：提出了一种无需在线求解 QP 的显式控制律，能够处理高密度碰撞约束，适用于高维连续软体系统，填补了现有显式 CBF 方法难以应用于高维系统的空白。
形式化安全保证与实时性：在理论上保证了系统的稳定性（CLF）和安全性（CBF），同时通过闭式解实现了极高的计算速度。
广泛的实验验证：
- 在仿真中对比了闭式解与标准 QP 求解器（qpax）及基于 RRT* 的基线方法。
- 在真实硬件（肌腱驱动软体机械臂）上进行了实验，验证了其在动态环境中的避障能力。

4. 实验结果 (Results)

计算效率：
- 与基于 JIT 编译的 QP 求解器（qpax）相比，闭式解方法快约 10 倍（4.22 $\mu s$ vs 45.53 $\mu s$ ）。
- 与传统的基于采样的 RRT* 规划方法相比，速度快了 100 倍以上（RRT* 规划耗时约 244 秒，而闭式控制器是实时的）。
- 数值精度上，闭式解与 QP 数值解达到了机器精度的一致性（误差在 $10^{-11}$ 量级）。
控制性能：
- 轨迹跟踪：在圆形轨迹跟踪任务中，闭式控制器比标准 QP 控制器更平滑、更准确（RMSE 更低）。这是因为闭式解避免了 QP 求解器中常见的“活动集切换”（active-set switching）导致的控制输入不连续。
- 避障能力：在密集障碍物环境中，闭式控制器能够成功引导机器人避开障碍物并收敛到目标点，而纯 CLF 控制器（无安全约束）会直接碰撞障碍物。
- 硬件实验：在真实软体机器人上，控制器以 100Hz 运行，成功在保持 0.05m 安全距离的同时，稳定收敛到目标点，而纯 CLF 控制器则发生了碰撞。
可扩展性：随着机器人离散化球体数量（ $N_{res}$ ）的增加，闭式方法的计算时间增长非常缓慢，而通用 QP 求解器的时间显著增加，证明了其在高分辨率避障场景下的可扩展性。

5. 意义与结论 (Significance & Conclusion)

理论突破：该工作成功将复杂的在线优化问题转化为解析解，解决了软体机器人因高维度和复杂几何形状导致的“维数灾难”和实时控制难题。
实际应用价值：为软体机器人在动态、非结构化且安全关键（Safety-critical）的人类环境中部署提供了可证明安全的控制框架。它使得软体机器人能够在不牺牲任务性能的前提下，实现实时的全身体避障。
局限性：当前方法主要聚合了单一类型的碰撞约束，尚未支持多类异构约束（如输入饱和、能量限制）的层级化组合。
未来方向：计划扩展该方法以支持多约束类型的组合与优先级排序，并引入高阶 CLF/CBF 以处理软体机器人的动态惯性效应，使其适用于更复杂的动态避障场景。

总结：这篇论文提出了一种高效、安全且实时的软体机器人控制方案，通过数学推导消除了在线优化的计算瓶颈，为软体机器人在复杂环境中的安全应用奠定了重要基础。