💻 computer science

BIG-CBF: Behavior-Imagination-Guided Control Barrier Function with Shared Uncertainty for Mobile Robot Navigation

本文介绍了 BIG-CBF，这是一种结合了行为想象与共享不确定性建模来引导控制障碍函数（Control Barrier Functions）的双速率导航架构，从而在移动机器人导航中实现了近乎完美的任务成功率，并最大限度地减少了安全滤波器的干预。

原作者： Shibo Li, Zhongcheng Wang, Jiahe Cao, Jianhua Yang, Ke Wu

发布于 2026-09-16

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Shibo Li, Zhongcheng Wang, Jiahe Cao, Jianhua Yang, Ke Wu

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

想象一个试图穿过拥挤房间的机器人。它的首要任务是避免撞到人或家具，这项任务通常由一个类似于“隐形护盾”的安全系统来处理。这个护盾在数学设计上能够确保机器人在靠近障碍物时立即停止，从而保证绝不发生碰撞。然而，这个安全护盾有一个盲点。它非常擅长说“停止”或“减速”，但往往不擅长决定下一步该往哪里走。当机器人面临复杂情况时——比如一个两边都有人流动的狭窄走廊——安全护盾可能会通过让机器人原地冻结来保持安全，这虽然防止了碰撞，但也阻碍了进展。机器人因此陷入僵局：虽然安全，却变得毫无用处，因为它无法判断自己应该向左迈步、向右迈步，还是等待。这就是机器人研究人员面临的核心问题：如何在保持机器安全的同时，又不至于让它因为过于谨慎而无法完成任务。

为了解决这个问题，研究团队开发了一种名为 BIG-CBF 的新导航系统。其名称代表“行为-想象引导控制障碍函数”（Behavior-Imagination-Guided Control Barrier Function），但其背后的理念却出奇地简单。机器人不再仅仅是在危险出现的那一刻做出反应，而是现在会停顿极短的一瞬间来“想象”几种不同的移动方式。它会在脑海中测试六种特定的策略，例如“直行”、“向左侧步绕行”、“向右侧步绕行”或“等待人群散去”。系统随后会挑选出那唯一一个既能保持向目标移动、又能确保安全的最佳策略。一旦选定策略，机器人便开始执行，但它依然保留着原始的安全护盾作为最后的保障。这项创新的关键在于，机器人对“不确定性”的理解在心理测试阶段和物理运动阶段是完全一致的。在现实世界中，传感器并非完美无缺，且从观察到行动之间总存在微小的延迟。通过在规划阶段和执行阶段都承认这些延迟与误差，机器人避免了一个常见的陷阱：即某种移动方案在理论上看起来很好，但在现实中却因安全系统突然惊慌失措而失败。

研究人员在一系列严谨的模拟实验中测试了这种新方法，其中包括九个不同场景下的 3,600 个不同片段。这些场景范围广泛，从穿过密集的人流到挤过静态障碍物之间的狭窄缝隙。在每一次测试中，机器人都配备了相同的底层安全护盾，但其路径选择方式各异。结果令人瞩目。新的 BIG-CBF 系统成功完成了 99.78% 的任务，这一成功率显著高于其他先进方法。更重要的是，它对安全护盾的调用需求要少得多。在以往的系统中，安全护盾必须不断纠正机器人的指令，经常迫使机器人突然停止或转向。而在使用 BIG-CBF 时，机器人选择的路径与安全要求高度契合，以至于护盾很少需要介入。这意味着机器人的移动更加平滑高效，减少了因犹豫不决而停滞不前的时间。

为了确保这些结果不仅仅是计算机模拟的结果，团队将该系统应用到了现实世界。他们将软件安装在一个配备了强大车载计算机的全向移动机器人上。机器人经历了十五次真实的运行测试，涵盖了三个具有挑战性的环境：一个需要刻意侧步避让的场景、一个充满静态杂物的房间，以及一个行人交叉路口。在所有这十五次运行中，机器人都成功抵达了目的地，未与任何物体或人发生接触。尽管其他方法表现挣扎，甚至有些连一小部分测试都无法完成，但 BIG-CBF 每次都成功达标。数据表明，通过在规划层和执行层之间共享一致的不确定性视图，机器人大幅降低了用于安全纠偏的能量消耗。它不仅避免了碰撞，还保持了稳定且有目的性的移动流。

研究还揭示了一个微妙的权衡。由于该系统旨在应对不确定性，它有时会选择比绝对必要时稍微保守一些的做法，例如在移动前多等待片刻。这虽然为总行程增加了一点时间，但这是为了确保安全而做出的刻意选择。研究人员发现，为了换取安全系数的大幅提升以及消除困扰其他机器人的“卡死”行为，这点延迟是值得付出的代价。研究证明，机器人并不需要成为一台超级计算机来思考未来；它只需要一种结构化的方式，去想象几种简单的选项并致力于实现其中最优的一个。

这项工作表明，未来安全的机器人导航不仅取决于更好的传感器或更快的计算机，更取决于更好的决策逻辑。通过将通用策略的选择与该策略的瞬时执行相分离，并确保这两个层面都理解现实世界的局限性，机器人可以带着以往难以企及的信心，在复杂且动态的空间中进行航行。结果表明，只要拥有正确的框架，自主机器就可以既严格安全又可靠高效，在我们的世界中从容不迫、稳步前行。

技术摘要：BIG-CBF

问题陈述
控制障碍函数（Control Barrier Functions, CBFs）为移动机器人提供了一个数学严谨的框架，用于强制执行局部避障，通常作为修改指令以满足前向不变性条件的安全性过滤器。然而，标准的最小干预型 CBF 滤波器存在“生动性差距”（liveness gap）。虽然它们确保了安全性，但缺乏任务层面的机动意识。在几何歧义环境（例如对称障碍物或狭窄通道）中，CBF 可能会抑制不安全的接近分量，却无法建立持久的横向偏好，导致机器人虽然保持安全，却陷入停滞状态。

此外，在不确定性条件下，实际部署面临着“跨层失配”（cross-layer mismatch）问题。上游的机动选择层通常使用标称几何结构评估候选方案，而下游的安全性过滤器则会考虑不确定性（例如感知噪声、执行延迟、零阶保持效应）。这种不一致会导致一种情况：在规划阶段被认为可行的机动，在执行过程中会反复触发修正干预，从而降低效率并增加安全性滤波器的负担。

方法论：BIG-CBF 架构
本文提出了 BIG-CBF（基于行为想象与共享不确定性的控制障碍函数），这是一种两速率导航架构，旨在解决机动歧义并对齐控制层间的语义不确定性。

两速率架构：
- 低速率行为想象 ( $T_B = 0.5s$ )： 一个轻量级层，用于评估包含六种闭环反馈行为的紧凑库：目标 (GOAL)、左绕 (PASS-L)、右绕 (PASS-R)、左侧移 (SIDE-L)、右侧移 (SIDE-R) 以及 让行 (YIELD)。该层不是重新规划开环轨迹，而是选择一个单一的行为模式 ( $b^*$ )。所选策略会根据最新的测量数据，持续生成基于状态的局部子目标和输入指令。
- 高速率执行 ( $T_C = 0.05s$ )： 所选行为生成一个标称指令 ( $u_{in}$ )，随后由硬性 CBF 进行过滤，以产生最终的安全指令 ( $u_{safe}$ )。
共享不确定性表示：
为了消除规划与执行之间的失配，BIG-CBF 构建了一个由想象层和执行层共同使用的相对位置不确定性包络。该包络聚合了四个特定的不确定性来源：
- 相对运动延迟（从感知到执行）。
  েই
- 障碍物预测不确定性（协方差增长）。
- 机器人执行残差（有界误差）。
- 采样间的零阶保持（ZOH）运动。
想象层利用该不确定性在不求解二次规划（QP）的情况下，通过解析方式评估 CBF 兼容性并对行为进行评分。执行层在硬性 CBF 约束中使用相同的不确定性语义。这确保了上游选择的机动与下游遇到的安全约束保持一致。
评分与选择：
行为根据平衡以下各项的代价函数 ( $J_b$ ) 进行排名：
- CBF 兼容性： 对未来时界内潜在障碍违反的解析惩罚。
- 任务进度： 到达目标的距离。
- 冻结： 惩罚导致近乎零速度的指令。
- 平滑度： 惩罚高控制量或切换。
- 切换： 惩罚不必要的行为模式改变。
如果鲁棒障碍测试失败，则拒绝候选方案；否则，在满足驻留时间（dwell-time）和切换改进阈值的前提下，选择代价最低的被接受候选方案。

核心贡献

轻量化行为想象： 引入了一种机动选择架构，通过在有限时界内评估紧凑的行为库来解决问题。它解决了离散的超越与让行选择，而无需进行密集的轨迹优化或重放开环轨迹。
跨层共享不确定性评估： 构建了一种统一的相对位置不确定性表示，使行为层级的评估与执行层的安全约束相一致。这通过确保上游候选方案是在与执行过滤器相同的不确定性语义下进行评估，从而减少了下游修正的需求。
广泛的实证验证： 通过 3,600 个模拟回合（涵盖 9 种多样化场景）以及在配备 Jetson Orin Nano 的全向机器人上进行的 120 组监督实验（8 种方法 × 3 种场景 × 5 次重复）验证了该方法。

结果

仿真性能： 在 3,600 个回合中，BIG-CBF 实现了 99.78% 的任务成功率，优于包括仅 CBF、Backup-CBF、PL-CBF、APF、DWA 和 MPPI 在内的基准方法。它显著减轻了下游安全滤波器的负担，其平均 CBF 干预能量（ECBF）为 0.02，而 DWA+CBF 为 0.83，MPPI+CBF 为 0.45。CBF 激活率降至 9.10%（相比之下 DWA 为 30.24%）。
消融实验（共享不确定性）： 将 BIG-CBF 与缺乏共享不确定性的变体（BIG-CBF-NoShared）进行对比显示，共享不确定性将 CBF 激活率从 15.64% 降至 9.10%，并将干预能量从 0.10 降至 0.02。这伴随着完成时间上的轻微权衡（11.72s vs. 11.21s），这归因于更保守但更一致的机动选择。
硬件实验： 在物理 Rosmaster X3 机器人上，BIG-CBF 在 15/15 次监督实验（3 种场景 × 5 次重复）中未发生碰撞事件。它证明了板载计算的可行性，规划器延迟为 141.0 ms（在 0.5s 预算内），CBF 求解时间为 3.86 ms。硬件结果证实，与非共享变体相比，共享不确定性使 CBF 干预能量降低了 0.34，激活率降低了 12.4 个百分点。

意义与主张
本文声称 BIG-CBF 成功弥合了局部安全过滤与任务级生动性之间的鸿隙。通过将机动选择与高频安全过滤解耦，并在各层间强制执行不确定性建模的一致性，该框架既防止了机器人在几何歧义环境下停滞，又最大限度地减少了安全滤波器干预的频率和幅度。作者断言，这种方法提供了一种计算高效的替代方案，可以取代沉重的轨迹采样方法（如 MPPI），同时比标准的反应式或基于库的 CBF 方法具有更高的鲁棒性和任务完成率。这项工作表明，当结合共享不确定性时，轻量化行为想象可以在不损害硬性 CBF 执行的安全保证的前提下，提高任务的生动性。

技术摘要：BIG-CBF

类似论文