⚡ electrical engineering

MROPE: A Multi-Robot Safe Cooperative Strategy via combined Predictive Safety Filters and Ellipse-based Constraint Compression

本文提出了 MROPE，这是一种分层多机器人策略，通过利用基于动态椭圆的障碍物压缩和分布式预测安全滤波器，将协同监测与局部安全性解耦，从而确保在复杂环境中无人机集群的安全且可扩展的追踪。

原作者： Alice Rosetti, Lorenzo Pichierri, Domenico Cappello, Fabrizio Schiano, Giuseppe Notarstefano

发布于 2026-08-03

📖 1 分钟阅读☕ 轻松阅读

原作者： Alice Rosetti, Lorenzo Pichierri, Domenico Cappello, Fabrizio Schiano, Giuseppe Notarstefano

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

想象一个由微型飞行机器人组成的场景，它们就像一群机械蜜蜂，任务是跟随一个移动的目标穿过一片茂密的、混乱的森林。这便是多机器人系统（multi-robot systems）的领域——这是一个致力于让机器群体协同工作的科学分支。挑战不仅在于如何让它们飞起来，更在于如何让它们在不撞到树木、墙壁或彼此的情况下“安全”地飞行。为了实现这一目标，工程师通常使用“优化”（optimization），这就像是一个超级聪明的计算器，不断地追问：“什么样的路径才是最优的前进方向？”但问题在于：在障碍物密集的森林中，要求这个计算器为每一台机器人检查每一棵树，就像是在跑马拉松的同时试图解开一个百万块的拼图。这会让计算变得极其缓慢，导致机器人可能陷入停滞甚至发生碰撞。这篇论文正是在解决这个难题：如何在环境布满障碍物的情况下，既保证无人机群的安全与高效，又不需要依靠超级计算机来进行所有思考。

该论文的作者 Rosetti 及其同事提出了一种名为 MROPE 的新策略。可以将 MROP 想象成无人机群的一种巧妙的两步舞步。在旧有的方法中，机器人试图同时处理它们的任务（跟随目标）和安全性（避免碰撞），这使得数学计算变得异常沉重且缓慢。MROPE 将这项工作拆分了。首先，一个“运动规划器”（Motion Planner）扮演着“队长”的角色，通过一种分布式的方法引导整个群体向目标靠拢，在此过程中，无人机会通过与邻居通信来保持编队。其次，一个“安全过滤器”（Safety Filter）则充当每台无人机的“私人保镖”。这个保镖并不关心宏观全局，它只关心如何确保自己负责的那台特定无人机当前的安全性。

MROPE 的神奇之处在于其保镖处理森林的方式。系统并没有试图绘制出每一根树枝或每一片叶子的精确形状，而是使用了一种技术——“基于椭圆的约束压缩”（Ellipse-based Constraint Compression）。想象一下，一群无人机正试图挤过森林中一条狭窄的缝隙。与其计算阻挡路径的每一个复杂且锯齿状障碍物的精确形状，系统会将所有这些复杂的、参差不齐的障碍物压缩成一个单一的、平滑的、呈椭圆形的“安全区域”（即椭圆）。这个椭圆是具有弹性的；它会拉伸和挤压以适应可用空间。如果缝隙很窄，椭圆就会变得又长又细，迫使无人机排成单列纵队；如果空间很宽，椭圆则会扩张。这种几何压缩将一场复杂的数学噩梦转化为了一个简单、快速的计算过程，任何无人机都能实时处理。

为了证明这不仅仅是一个纸面上的酷炫想法，团队通过两种方式对其进行了测试。首先，他们在充满数字树木和移动目标的虚拟世界中运行了数千次模拟。他们发现，该方法速度极快。传统的“集中式”（centralized）方法（即由一个大脑袋控制所有人）在有八台无人机时，做出一次决策需要近 400 毫秒——这对于实时飞行来说太慢了——而 MROPE 即使在无人机数量增加时，也能将决策时间保持在 40 毫秒以下。在这些模拟中，无人机成功追踪了一个移动目标，同时穿梭于多达 100 个障碍物之间，其中安全过滤器的路径计算仅耗时约 6 毫秒。

但团队并未止步于模拟。他们将这一策略应用到了现实世界中，使用四架微型 “Crazyflie” 纳米四旋翼无人机，在拥有物理障碍物和移动地面机器人的室内竞技场中进行测试。就像在计算机模拟中一样，这些真实的无人机成功监测了目标，避免了与彼此及墙壁的碰撞，并且保持了极低的追踪误差（在模拟中低于 10 厘米）。实验证明，通过将任务执行与安全检查解耦，并利用这种聪明的“椭圆”技巧，无人机群可以在拥挤且危险的环境中高效且安全地导航，而无需依赖庞大的中央计算机来指挥它们。该论文表明，这种方法是让无人机群在搜索救援或复杂环境下的监视等现实任务中变得实用的重要一步。

技术摘要：MROPE —— 一种多机器人安全协作策略

1. 问题陈述

本文解决了在包含众多静态障碍物的复杂环境中，部署无人机集群协同追踪动态非合作目标的挑战。其核心难点在于平衡两个相互竞争的目标：

任务执行： 高效地追踪移动目标并保持协作编队。
安全性： 确保实时规避与静态障碍物以及其他智能体（智能体间碰撞）的碰撞。

现有方法在面对具有大量障碍物的密集环境时，往往会出现计算瓶颈，或者将安全约束与主要控制任务紧密耦合，从而限制了灵活性。此外，纯反应式方法（如控制障碍函数，CBF）可能导致局部死锁，而集中式安全滤波器在智能体数量增加时扩展性较差。本文的目标是设计一种集体安全的分布式运动规划与控制策略，引导无人机团队在监测移动目标的同时，满足严格的安全约束。

2. 方法论：MROPE 框架

所提出的解决方案 MROPE（通过结合预测安全滤波器与基于椭圆的约束压缩的多机器人安全协作策略）采用了一种层次化架构，将高层任务规划与底层安全执行解耦。该框架由三个主要部分组成：

A. 分布式聚合运动规划器（高层）

为了处理协作追踪任务，系统采用了分布式聚合优化。

目标： 减轻集群代价函数，使团队质心靠近目标，保持智能体与质心的期望距离，并惩罚与当前位置的过度偏差。
机制： 无人机运行分布式梯度下降算法，利用辅助变量来追踪全局信息（团队质心），而无需中央协调器。这使得集群能够自主适应其拓扑结构，而非强制执行僵化的编队。
输出： 该层为每架无人机生成一个可能不安全的参考轨迹 ( $u_{i,des}$ )。

B. 障碍物压缩节点（几何抽象）

为了解决密集障碍物场带来的计算复杂度问题，本文引入了一种新颖的基于椭圆的约束压缩机制。

问题： 直接处理来自许多障碍物的线性多面体约束，在局部模型预测控制（MPC）问题中计算成本极高。
解决方案： 无人机协作计算出一个单一的、安全的包围椭圆，该椭圆涵盖了自由空间。
- 每架无人机在局部识别目标与附近障碍物之间的分离超平面。
- 通过分布式共识算法，无人机交换激活约束，以迭代求解最大体积内接椭球问题。
- 生成的椭圆会根据可用自由空间调整其离心率，从而迫使集群进行重构（例如，通过变为单线编队）以通过狭窄空间，而无需预设规则。
结果： 复杂的障碍物约束集被压缩为一个单一的二次约束，确保下游 MPC 的复杂度保持在一定范围内，且与障碍物密度无关。

C. 预测安全滤波器（底层）

一个分布式预测安全滤波器 (PSF) 作为运动规划器与底层控制器之间的实时安全层。

功能： 它接收来自规划器的可能不安全的参考输入，并求解一个局部 MPC 优化问题，以找到最接近的安全控制输入。
约束： MPC 强制执行以下内容：
- 椭圆安全性： 无人机在预测时界内必须保持在压缩的安全椭圆内。
- 智能体间安全性： 使用带有松弛变量的超平面约束，以防止与邻居发生碰撞，并沿时界进行传播。
- 执行机构限制： 遵守速度和加速度限制。
去中心化： 每架无人机仅使用当前的邻居位置来求解自身的优化问题，无需了解其他无人机的未来轨迹，也无需中央协调器。

3. 核心贡献

本文声称有两个主要贡献：

解耦架构： 与以往将安全与任务目标紧密耦合的工作不同，MROPE 引入了一种依赖于低复杂度 MPC 的新型分布式 PSF。该滤波器在执行碰撞规避的同时，最大限度地减小了与高层规划器生成的最佳参考轨迹的偏差。
约束压缩： 本文提出了一种将线性多面体约束（来自多个障碍物）压缩为单个椭球约束的方法。这种几何压缩确保了局部 MPC 的复杂度受到严格限制，且与障碍物密度无关。此外，椭圆的自适应特性允许集群通过自然地调整其拓扑结构来穿越狭窄通道。

4. 实验结果

该框架通过虚拟仿真和真实世界实验进行了验证。

虚拟实验

场景： 一个 2D 森林状环境，5 架 Crazyflie 无人机追踪一辆最多含有 100 个障碍物的 TurtleBot 3 Burger。
性能：
- 实时效率： 预测安全滤波器平均执行时间为 6 ms（最大 11.6 ms），远低于 7 Hz 控制循环所需的 142 ms 截止时间。
- 可扩展性： 在与集中式 PSF 基准进行的蒙特卡洛模拟中，集中式方法表现出指数级的计算增长，在 8 个智能体时无法满足实时截止时间（约 400 ms）。MROPE 在 8 个智能体时仍能将执行时间维持在 40 ms 以下。
- 追踪精度： 分布式方法保持了约 10 cm 的追踪误差，显著优于集中式基准（约 50 cm），后者由于单体约束求解问题出现了抖动。
- 障碍物密度： 随着障碍物数量从 4 个增加到 100 个，计算时间几乎保持不变，验证了椭圆压缩的有效性。

真实世界实验

设置： 一支由 4 架 Crazyflie 2.1 纳米四旋翼组成的机群，在 9x4x3 米的室内区域内监测一辆 TurtleBot 3 Burger，其中包含 4 个静态障碍物。
架构： 实现了完全分布式的软件架构，无人机严格通过网络主题（topic）交换数据（无共享内存），以模拟真正的分布式计算。
结果： 集群成功追踪了目标，同时避免了与障碍物及彼此之间的碰撞。追踪误差保持在严格限制范围内，且计算时间保持在实时限制内，与虚拟仿真结果高度吻合。

5. 重要性与主张

本文将 MROPE 定位为复杂环境下多机器人协作控制的重要进展。其重要性在于：

可扩展性： 通过将安全与主要任务解耦并压缩约束，该方法克服了通常阻碍集中式或紧耦合方法扩展到大规模集群及复杂空间的计算瓶颈。
鲁棒性： 使用预测安全滤波器（而非纯反应式 CBF）缓解了局部死锁问题，并更有效地处理了严格的执行机构限制。
自主性： 自适应椭圆机制允许集群通过自主调整编队结构来穿越狭窄通道，而无需预定义的重构规则。

作者总结道，虽然该策略在实时效率和可扩展性方面表现出优于集中式方法的性能，但未来仍需提供递归可行性的形式化理论保证，并集成分布式估计，以实现针对非合作目标的无全局信息追踪。