⚡ electrical engineering

OcclusionCBF: Backup Control Barrier Functions for Safe Navigation Among Hidden Dynamic Obstacles

OcclusionCBF 是一种安全过滤器，它通过针对可达占用预测对备份回溯进行认证，扩展了备份控制障碍函数，以保证机器人在在隐藏动态障碍物中导航时的碰撞规避，从而确保递归可行性并提高任务成功率，且计算开销极低。

原作者： Taekyung Kim, Hun Kuk Park, Renya Wada, Nikolay Atanasov, Shumon Koga, Dimitra Panagou

发布于 2026-09-09

📖 1 分钟阅读☕ 轻松阅读

原作者： Taekyung Kim, Hun Kuk Park, Renya Wada, Nikolay Atanasov, Shumon Koga, Dimitra Panagou

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

机器人在世界中移动时经常面临一个人类无需思考就能解决的问题：转角处隐藏着什么。在机器人领域，工程师们设计系统通过对传感器所见内容的反应来确保安全导航。然而，物理世界充满了由建筑物、停放的车辆或货架造成的盲区。如果一个机器人只躲避它当前能看到的障碍物，它可能会把自己驶入这样一个位置：一旦隐藏的行人或车辆出现在视野中，由于反应时间不足，为时已晚。机器人已经选择了某条路径，导致它无法及时刹车或转向。这并非机器人的“眼睛”出了问题，而是其规划能力的失败；它没有考虑到在某个地方可能出现看不见的物体，而届时机器人的自身速度和转向限制将导致碰撞不可避免。

为了解决这个问题，一组研究人员开发了一种名为 OcclusionCBF 的新型安全系统。该系统充当机器人的守护者，不断检查机器人的当前路径是否不仅对于目前可见的情况是安全的，而且对于可能从阴影中出现的物体也是安全的。该系统不再等待看到隐藏的障碍物，而是想象隐藏物体可能出现的每一个可能位置以及它们可能的运动方式。接着，它进行一次心理模拟，并提出一个关键问题：如果障碍物突然出现在这些隐藏点中的任何一个位置，机器人是否仍能安全地停止或转向？如果答案是否定的，系统会在危险变得可见之前，轻轻引导机器人减速或改变航向。这种方法让机器人在路径清晰时保持冷静高效，但在存在盲区时变得谨慎且具有预见性。

研究人员通过计算机模拟和真实机器人测试了这一想法。他们创建了一些场景，要求机器人在有移动障碍物的拥挤区域中导航，而这些障碍物有时会被墙壁或其他物体遮挡。在这些测试中，他们将这种新系统与旧方法进行了对比，旧方法要么忽略隐藏的危险，要么试图为每种可能的结果规划复杂的、分支式的路径。结果显示，新系统在引导机器人到达目的地且不发生碰撞方面表现得显著更好。在那些最拥挤、最困难的测试中（即其他方法无法找到安全路径或撞上隐藏障碍物的场景），新系统在大多数情况下都成功到达了目标。它实现这一切仅用了几千分之一秒的时间，足以跟上机器人的实时运动。

这种方法之所以特别有效，是因为它处理了对未知事物的确定性问题。系统并不是试图精确预测隐藏的人或车会在哪里，而是根据它们的最大速度，考虑出一个涵盖所有可能占据位置的“云团”。然后，它会检查机器人是否拥有从该云团中任何一点出发的保证逃生路线。如果机器人移动得太快，以至于一旦隐藏物体出现就无法停下，系统会自动降低其速度，从而创造出一个安全缓冲。这种调整不需要机器人完全停止或犹豫；它只是仅仅调整速度和方向，以确保始终有一条安全的退出路径可用。

团队在多种环境下展示了这项技术，包括模拟城市环境，以及一个物理测试——在物理测试中，机器人必须穿越街道，而一面墙挡住了它观察接近车辆的视线。在物理测试中，标准的安全系统在车辆可见之前才做出反应，这对于避免碰撞已经太晚了。然而，新系统在车辆还在墙后时就识别到了风险。它在车辆进入视野之前就减慢了机器人的速度并使其远离危险区域，从而让机器人安全通过。这种在危险被看见之前就发生的预判行为，正是“对世界的反应”与“对风险的理解”之间的关键区别。

这种方法的成功表明，构建对自主机器的信任有一种新途径。通过确保机器人始终为那些它看不见的事物准备好备份计划，工程师可以让这些机器在复杂、动态的环境中更自信地运行。该系统并不要求机器人是完美的，也不要求它拥有超人的传感器；它仅仅要求机器人尊重自身的运动极限以及对不可见事物的可能性。通过严格的测试和数学证明，研究人员表明，这种方法不仅仅是一个理论构想，更是一个可以在现实世界中预防事故、保障机器人及周围人员安全的实用工具。

技术摘要：用于隐藏动态障碍物安全导航的 OcclusionCBF

问题陈述

由于静态结构（如建筑物、停放的车辆）或动态代理造成的遮挡，自主机器人经常在环境信息不完整的情况下运行。如果控制器仅对当前检测到的障碍物做出反应，可能会导致机器人驶入一种状态：一旦隐藏的障碍物变得可见，则没有任何可行的控制输入可以防止碰撞。这种失败不仅源于感知延迟，还源于不确定的隐藏障碍物占据空间、机器人动力学以及有限控制能力之间的相互作用。

现有的方法（例如可见性感知规划或基于集合的验证）通常将安全性推理直接嵌入到轨迹优化中，或者无法对未观测动态障碍物的最坏情况未来运动进行建模。虽然这些方法有效，但它们可能会将安全性与特定的规划架构耦合，或者需要每次控制更新时求解复杂的轨迹优化。挑战在于构建一个模块化的安全滤波器，该滤波器能够显式地考虑机器人动力学和输入约束，同时对隐藏的障碍物进行推理，且不依赖于特定的规划器。

方法论：OcclusionCBF

本文提出了 OcclusionCBF，这是一种安全滤波器，它扩展了 备份控制障碍函数 (Backup Control Barrier Function, CBF) 框架，以处理针对潜在隐藏动态障碍物的时变可达占据预测。该方法作为一个极小侵入式的滤波器，置于任意标称控制器与系统动力学之间。

核心组件

可达占据预测 (Reachable-Occupancy Prediction)：
- 系统对可能存在未检测到障碍物的作业空间位置集合进行建模，记作 $\mathcal{O}(P(x(t)), t)$ 。
- 该集合表示为遮挡区域的并集。对于每个区域，构造一个碰撞膨胀的可达占据集 $\hat{H}^{(j)}(t, s)$ 。该集合考虑了障碍物的最大速度界限 $\bar{v}_o$ 、自上次更新以来经过的时间以及碰撞膨胀半径 $r_{col}$ 。
- 占据预测满足时间一致性条件：随着预测时界的移动，先前认证的集合不会任意扩大，从而确保安全证书保持有效。
多面体近似与裕量 (Polyhedral Approximation and Margins)：
- 为了确保 CBF 公式中的可微性，遮挡区域被包含在凸多面体中。
- 通过使用偏移的 log-sum-exp 函数，从这些多面体的面裕量中导出可微的分离裕量 $h^C_j(y, t, s)$ 。该裕量确保机器人的位置保持在膨胀占据集的内部之外。
- 该裕量满足特定的时间导数条件 ( $\frac{\partial h^C}{\partial t} - \frac{\partial h^C}{\partial s} \geq 0$ )，以保持随时间推进的一致性。
备份展开与终端集 (Backup Rollout and Terminal Set)：
- 该方法定义了一个备份策略 $\pi_b$ （例如，饱和车道保持或 PD 控制器），该策略在有限时界 $T$ 内生成一条备份轨迹 $\phi_b(x, s)$ 。
- 定义了一个时变终端集 $S_0(q)$ ，若备份轨迹在时间 $T$ 到达该集合，则保证处于具有额外间隙 $\rho_T$ 的安全状态。
- 验证了该终端集在备份策略下是前向不变的。
遮挡感知二次规划 (Occlusion-Aware QP, OCBF-QP)：
- 安全滤波器通过求解二次规划 (QP) 来最小化修改标称输入 $u_{nom}$ 。
- 约束条件： QP 通过对占据裕量和终端裕量沿备份流进行微分，强制执行仿射约束。
  - 占据约束： 确保备份轨迹在所有 $s \in [0, T]$ 时刻都位于时变可达占据集之外。
  - 终端约束： 确保备份轨迹终止于经过验证的终端集内。
- 约束对于控制输入 $u$ 是仿射的，从而允许高效的实时计算。

主要贡献

本文概述了三个主要贡献：

规划器无关的安全滤波器： 将 Backup CBF 扩展到保守的可达占据预测。这产生了一个能够认证针对隐藏动态障碍物的备份机动的滤波器，而无需将安全性逻辑嵌入到特定的轨迹优化器中。
理论保证： 推导了针对移动预测时界的输入仿射展开和终端约束。作者证明了备份策略能够实现 QP 的递归可行性，并保证对于覆盖在占据预测内的每种障碍物运动都能实现碰撞避免。
平滑多面体实现： 一种处理多个遮挡区域的方法，使用平滑多面体近似。这使得滤波器能够在实现毫秒级计算的同时，在随机基准测试、MetaUrban 模拟和硬件实验中取得高成功率。

结果

OcclusionCBF 的性能针对五个基准方法进行了评估：reactive CBF-QP、OA-MPC、Control-Tree MPC、Single-Hypothesis MPC 和 OACP。

随机基准测试：
- 在具有双积分器和单轮车机器人的平面模拟中，OcclusionCBF 在所有测试的障碍物密度下均实现了最高的硬约束成功率。
- 在高密度情况下，它在单轮车试验中成功率为 86%，在双积分器试验中为 70%，而其他方法由于碰撞或控制器不可行经常失败。
- 计算时间： OcclusionCBP 以毫秒级运行（每次更新 1.6–4.5 ms），显著快于预测性规划基准（范围约为 ~7 ms 到超过 100 ms），且仅略慢于 reactive CBF-QP。
高保真模拟 (MetaUrban)：
- 在单轮车和四足机器人模型上的演示表明，该方法能够在障碍物变得可见之前进行主动干预，在复杂的城市环境中成功完成导航任务。
硬件实验：
- 使用 TurtleBot 机器人测试了一个“盲穿”场景。基准 reactive CBF-QP（忽略隐藏占据空间）在检测到隐藏障碍物后发生了碰撞。相比之下，OcclusionCBF 在检测到之前就进行了干预，减速并转向远离遮挡区域，从而安全地到达目标点。

意义与主张

本文声称 OcclusionCBF 解决了安全导航中的一个关键差距：即无法处理由隐藏动态障碍物引起的“无法回头状态 (state of no return)”。通过将安全性认证与规划架构解耦，该方法提供了一种模块化、计算高效且具有理论严谨性的解决方案。

作者强调，他们的方法不仅仅是对感知延迟做出反应，而是主动推理关于不确定性、动力学与控制能力之间相互作用的关系。该方法保证，只要占据预测覆盖了真实的障碍物运动，机器人将始终保持在可恢复集合内并避免碰撞，即使障碍物直到最后一刻仍处于隐藏状态。结果表明，无需在线分支轨迹优化的计算负担，即可实现这种水平的安全性，使其适用于实时机器人应用。