💻 computer science

Task-Space Singularity Avoidance for Control Affine Systems Using Control Barrier Functions

该论文提出了一种基于控制障碍函数（CBF）的框架，通过利用状态相关输入输出映射矩阵的特征值来识别奇异构型，从而在控制仿射系统中有效避免奇异点，确保轨迹跟踪平滑并显著降低控制输入峰值。

原作者： Kimia Forghani, Suraj Raval, Lamar Mair, Axel Krieger, Yancy Diaz-Mercado

发布于 2026-03-26

📖 1 分钟阅读☕ 轻松阅读

原作者： Kimia Forghani, Suraj Raval, Lamar Mair, Axel Krieger, Yancy Diaz-Mercado

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

这篇论文主要解决了一个让机器人“卡壳”或“发疯”的棘手问题：奇异点（Singularities）。

为了让你轻松理解，我们可以把这篇论文的核心思想想象成**“教机器人如何优雅地绕过死胡同”**。

1. 什么是“奇异点”？（机器人的死胡同）

想象你在玩一个双人合作的推箱子游戏，或者操作一个机械臂。

正常情况：你推一下手柄，箱子就往前走；转一下旋钮，机械臂就灵活地转向。你的每一个指令都能精准地转化为动作。
奇异点（死胡同）：这时候，机械臂的两个关节突然完全伸直，或者两个轮子转到了同一个方向。这就好比你的推箱子游戏里，箱子被卡在了墙角，或者你的推杆和墙壁平行了。
- 在这个位置，无论你如何用力推手柄，箱子都动不了，或者只能往某个特定的方向动，完全失去了灵活性。
- 更糟糕的是，如果机器人试图强行穿过这个点，它的“大脑”（控制器）会陷入混乱，为了达到目标，它会发出巨大的、疯狂的指令（比如瞬间把电机烧坏，或者让机械臂剧烈抖动），就像一个人为了挤过狭窄的门缝，拼命用头去撞门，结果把自己撞伤了。

2. 这篇论文做了什么？（给机器人装上“防撞雷达”）

作者提出了一种叫**“控制障碍函数”（Control Barrier Functions, CBF）的新方法。你可以把它想象成给机器人装上了一个智能的“防撞雷达”和“自动驾驶辅助系统”**。

传统方法：以前的机器人可能像是一个莽撞的司机，看到前面有墙（奇异点）就硬冲，或者在快撞上的时候才急刹车，导致动作生硬、甚至失控。
新方法（CBF）：
1. 提前感知：这个系统能实时计算机器人现在的姿势是否快要进入“死胡同”（奇异点）。它通过观察机器人的“关节角度”和“受力情况”，就像看地图一样，知道哪里是危险区。
2. 温柔绕行：一旦检测到快要进入危险区，系统不会直接切断电源，而是像一个经验丰富的老司机，微调一下方向盘。它会让机器人稍微偏离一点点原本的计划路线（比如把机械臂的关节稍微弯曲一点点），从而优雅地绕过那个死胡同。
3. 最小干扰：它非常聪明，只在必须的时候才出手。只要不靠近危险区，机器人就完全按照原本的指令走；一旦靠近，它才介入，确保机器人既安全又平滑。

3. 他们是怎么做到的？（两个具体的例子）

论文里用了两个生动的实验来证明这个方法很好用：

例子一：机械臂画画（2 连杆机械臂）

场景：想象一个像人的手臂一样的机械臂，有两个关节。
问题：如果它要把手臂完全伸直去够远处的东西，就会进入“奇异点”。这时候，为了维持伸直，电机需要发出巨大的电流，导致手臂剧烈抖动。
结果：用了这个新方法后，机械臂在快伸直的时候，会自动稍微弯曲一点点关节，就像人走路快碰到墙时，会稍微侧身一样。
- 效果：原本会剧烈抖动的机械臂，现在动作非常丝滑，电机发出的电流峰值降低了100 倍！就像从“疯狂摇头”变成了“轻轻点头”。

例子二：磁控手术针（给心脏做缝合）

场景：医生用外部的大磁铁控制体内的一根小针进行缝合手术。
问题：在某些特定的角度和位置，外部磁铁的力会互相抵消，导致小针“推不动”或“转不动”（这也是奇异点）。如果强行控制，针可能会乱飞，伤到病人。
结果：系统给这根针装上了“雷达”。当针快要进入推不动的区域时，系统会自动调整针的倾斜角度，让它绕开那个死角，继续沿着缝合路线走。
- 效果：针不仅成功完成了缝合，而且没有因为强行控制而乱跑，轨迹非常精准。

4. 总结：为什么这很重要？

这就好比给机器人装上了**“直觉”**。

以前：机器人是死板的，遇到死胡同就撞墙，或者为了过墙把自己弄坏。
现在：机器人有了“安全网”。它知道哪里不能去，并且知道如何最省力、最平滑地绕开。

核心贡献：

理论保障：不仅仅是“试出来”能绕开，而是从数学上证明了它一定能绕开，保证安全。
通用性强：不管是少电机的机器人，还是多电机的复杂系统，这个方法都管用。
平滑安全：消除了那些吓人的“电流尖峰”，让机器人工作起来像丝绸一样顺滑，大大延长了设备寿命，也提高了安全性（特别是在医疗等关键领域）。

简单来说，这篇论文就是教机器人**“不要硬刚，学会变通”**，用一种数学上的聪明办法，让它们在任何姿势下都能安全、平稳地工作。

论文技术总结：基于控制障碍函数的控制仿射系统任务空间奇异性避免

1. 研究背景与问题定义 (Problem)

在机器人和动态系统中，任务空间奇异性 (Task-Space Singularities) 是一个关键挑战。当从控制输入到任务空间运动的映射矩阵（通常称为输入 - 输出映射矩阵 $\phi(x)$ ）失去秩（Rank Deficiency）时，系统就会进入奇异构型。

核心问题：
- 控制能力丧失：在奇异点附近，系统无法在期望方向上同时生成所需的力和力矩。
- 轨迹跟踪失败：系统无法跟踪任意轨迹，导致控制精度下降。
- 数值不稳定：依赖矩阵求逆的控制器（如伪逆）在奇异点附近会产生巨大的、突发的控制输入（Spikes），这不仅降低控制效率，还可能引发系统不稳定或安全隐患。
现有局限：传统的解决方法（如混合切换控制、硬件重新设计、李括号运动合成或正则化优化）往往缺乏形式化的安全保证，或者难以泛化到不同类型的系统（欠驱动、全驱动、过驱动）。

2. 方法论 (Methodology)

本文提出了一种基于控制障碍函数 (Control Barrier Functions, CBF) 的框架，用于在控制仿射系统中实时避免奇异构型。该方法将奇异性避免转化为一个带有安全约束的二次规划 (QP) 问题。

2.1 系统建模与奇异性识别

系统模型：考虑控制仿射系统 $\dot{x} = f(x) + g(x)u$ ，任务输出 $z = \gamma(x)$ 。
映射矩阵：定义状态依赖的输入 - 输出映射矩阵 $\phi(x) = L_g\gamma(x) = J(x)g(x)$ 。
奇异性判定：奇异构型发生在 $\phi(x)$ $ϕ (x)$ 失去秩时。为了统一处理不同维度的系统（ $d$ $d$ 为任务维度， $m$ $m$ 为输入维度），作者构造矩阵 $M(x) = \phi(x)\phi(x)^T$ $M (x) = ϕ (x) ϕ (x)^{T}$ （过驱动）或 $M(x) = \phi(x)^T\phi(x)$ $M (x) = ϕ (x)^{T} ϕ (x)$ 。
- 奇异点对应于 $M(x)$ 的特征值 $\lambda_i(x)$ 趋近于零。
- 通过计算特征值，可以解析地或数值地确定奇异区域。

2.2 控制障碍函数 (CBF) 构建

安全集定义：定义安全集 $C_i = \{x \mid \lambda_i(x) - \varepsilon \ge 0\}$ ，其中 $\varepsilon$ 是远离奇异点的安全裕度。
CBF 函数： $h_i(x) = \lambda_i(x) - \varepsilon$ 。
可行性条件：根据定理 1，只要 $\nabla \lambda_i(x)^T g(x) \neq 0$ 或漂移项自然满足安全条件，即可保证安全集的前向不变性。
QP 优化问题：
在每一步控制中，求解以下 QP 以最小化与参考控制输入 $v(x)$ 的偏差，同时满足 CBF 约束：
$\begin{aligned} \min_{u} \quad & (u - v(x))^T Q(x) (u - v(x)) \\ \text{s.t.} \quad & L_f h(x) + L_g h(x) u \ge -\alpha(h(x)) \end{aligned}$
其中 $Q(x)$ 是正定矩阵，用于加权任务空间误差。对于过驱动系统，引入正则化项 $\Gamma$ 以确保凸性。

2.3 两种实现路径

解析法 (Analytical CBF)：
- 适用于简单系统（如平面 2 连杆机械臂）。
- 直接推导特征值 $\lambda_i(x)$ 的解析表达式及其导数，构建精确的 CBF。
数值法 (Numerical CBF)：
- 适用于复杂系统（如磁驱动针），其特征方程过于复杂难以解析求解。
- 策略：利用奇异值分解 (SVD) 数值采样生成“不安全配置”的点云。
- 障碍物建模：使用 Alpha Shape 算法将点云重构为 3D 虚拟障碍物表面。
- 距离约束：将 CBF 转化为点到障碍物表面的距离函数，避免直接求解复杂的特征值导数，同时保持局部可微性。

3. 主要贡献 (Key Contributions)

统一的 CBF 框架：提出了一种通用的理论框架，适用于欠驱动、全驱动和过驱动系统，能够形式化地保证系统在任务空间中的非奇异运行。
解析与数值双重方法：
- 提供了基于特征值解析导数的精确 CBF 构建方法。
- 创新性地提出了基于数值 SVD 和点云障碍物重构的 CBF 方法，解决了复杂系统解析推导困难的问题。
理论保证：证明了在满足特定条件（如控制输入可影响特征值变化率）下，系统状态将保持在安全集内，从而避免奇异构型。
最小化轨迹偏差：通过加权 QP，在避免奇异性的同时，最大限度地减少对参考轨迹的偏离。

4. 实验结果 (Results)

论文通过两个案例研究验证了该方法的有效性：

案例 A：平面 2 连杆机械臂 (Analytical)

场景：机械臂试图执行穿过奇异点（连杆伸直， $q_2 \to 0$ ）的轨迹。
对比：
- 无 CBF：关节速度出现剧烈尖峰（Spikes），关节角度突变，轨迹不光滑。
- 有 CBF：控制器微调关节角度，避开奇异点。
数据：
- 关节 1 和关节 2 的控制输入尖峰分别减少了约 70 倍 和 100 倍。
- 轨迹保持平滑，成功避免了奇异构型。

案例 B：磁驱动缝合针 (Numerical)

场景：在微创缝合任务中，控制磁驱动针在 3D 空间移动并调整姿态。
挑战：磁驱动系统高度非线性且过驱动，解析推导特征值导数极难。
实施：使用数值方法构建 3D 虚拟障碍物，将奇异区域视为不可逾越的障碍。
结果：
- 针在接近奇异区域时自动调整姿态（倾斜），避开奇异集，同时保持缝合路径。
- 完成缝合后平滑回归参考姿态。
- 精度：位置均方根误差 (RMS) 为 0.99 mm，姿态误差为 0.65 rad。
- 最大电流控制在 4 A 以内，无异常波动。

5. 意义与结论 (Significance & Conclusion)

安全性与稳定性：该框架为机器人系统在任务空间中的操作提供了形式化的安全保证，显著降低了因奇异点导致的控制失效和硬件损坏风险。
通用性与可扩展性：提出的数值 CBF 方法使得复杂、高维、非线性的系统（如医疗机器人、多智能体系统）能够利用 CBF 技术进行奇异性避免，无需繁琐的解析推导。
实际应用价值：在医疗机器人（如磁驱动手术针）等安全关键领域，该方法能够在不牺牲任务精度的前提下，确保系统始终处于可控状态，具有极高的临床转化潜力。

总结：本文成功将控制障碍函数理论应用于任务空间奇异性避免问题，通过解析和数值两种途径，实现了在保持轨迹跟踪精度的同时，实时、平滑地规避奇异构型，大幅提升了控制系统的鲁棒性和安全性。