集成安全走廊与行人预测的顺序模型预测控制在动态环境机器人安全导航中的应用

《International Journal of Advanced Robotic Systems》：Safety corridor and pedestrian prediction integrated sequential MPC for safe robot navigation in dynamic environments

　　

在人机共存环境中，移动机器人的安全高效避障至关重要。研究人员提出了一种顺序模型预测控制（sequential Model Predictive Control, MPC）框架，该框架集成了安全走廊生成与行人轨迹预测，用于在复杂动态场景中实现稳定可靠的自主导航。静态障碍物通过基于切比雪夫圆（Chebyshev circle）筛选优化的多方向矩形安全走廊进行约束，提升了自由空间利用率及对复杂障碍布局的几何适应性。针对动态行人，MPC优化器中嵌入了鲁棒动态控制屏障函数（Dynamic Control Barrier Function, D-CBF）模块以施加安全避障约束。基于神经网络的检测器从原始点云数据中提取行人边界框，相较传统聚类方法有效缓解了目标误检与航迹丢失问题。所建立的优化模型融合静态走廊约束与动态行人预测，生成平滑、可行且安全的机器人运动指令。Gazebo仿真验证了该方法在混合静动态障碍环境下于走廊生成效率、轨迹平滑度与通行效率方面均取得可度量的改进。

研究背景与动机

在人机共存环境中，移动机器人需在有限时间内由初始位姿抵达目标位姿并规避障碍物。现有基于MPC的导航方法在密集环境中因单独建模多障碍物导致约束数量激增、非凸约束难以求解，且行人轨迹预测与MPC融合仍是开放问题。传统聚类感知易误检丢失，凸分解走廊法在近障碍路径处易生成狭窄区域致使优化不可行。为此，研究人员在《International Journal of Advanced Robotic Systems》发表该研究，提出一种切换式顺序MPC方案，将静动态障碍分层处理：以多方向矩形安全走廊近似静态自由空间，以D-CBF表征动态行人约束，并集成PointRCNN–Hungarian–Kalman感知管线，旨在兼顾计算效率、几何适应性与安全可行性。

主要关键技术方法

研究人员采用差速驱动平面运动学模型并离散化；静态层基于预建栅格地图以多方向局部坐标系迭代膨胀矩形边界，利用走廊交叠处切比雪夫半径筛选简化走廊数；动态层以PointRCNN提取3D边界框、Hungarian按3D IoU关联、恒速Kalman预测标称轨迹，短期漏检时保留航迹并膨胀D-CBF半径，超阈值则保护停机重规划；优化层构建顺序MPC，静态侧为走廊线性约束、动态侧为不确定性膨胀的D-CBF不等式约束，输入域采用菱形凸约束|u|/u_m+|r|/r_m≤1以匹配轮速饱和；整体在Gazebo中仿真评估。

研究结果

引言部分指出避障属NP-hard，密集环境逐障碍建模使非线性优化效率骤降甚至不可行，从而引出以凸走廊序列替代逐障碍约束、以D-CBF替代欧氏距离约束的研究思路。

相关问题表述部分建立差速模型η?=R(ψ_r)ν、ν?=Gτ+ζν，给出三种速度约束域并论证菱形凸域（式7）能反映轮速耦合避免物理不可行；环境模型将工作空间栅格化，静态图M_s与动态图M_d逐元素最大得合成占用图M与膨胀图M_ex，供图搜索与走廊碰撞检测；导航问题将W_f分解为静走廊并集W_fs=?W_fs,i与动态D-CBF集W_fd，避免混合整数规划。

方法部分走廊生成以路径点P_i为中心设N_c个局部帧H_k（θ_pi^k=90°(k?1)/N_c），沿四法向以步长ΔL迭代膨胀至遇障停止，取交叠区切比雪夫内切圆最大半径精简走廊数并保持可通行重叠；感知预测以PointRCNN获框、Hungarian关联、恒速Kalman外推，漏检期传播旧轨并放大D-CBF半径R_safe=R_ped+R_rob+σ；MPC层目标含终点误差、轨迹平滑与跟踪项，约束含离散动力学、菱形输入域、走廊半平面、D-CBF导数条件?(x,u)≥?αh(x)；切换机制依前方走廊通行性选活跃走廊与临时目标点，失效时回退上一走廊或保护停。

仿真部分在Gazebo混合静动态场景对比顺序MPC与传统欧氏距离MPC及单方向走廊法，结果表明：多方向切比雪夫筛选使走廊数减少而自由空间利用率提升，走廊生成耗时下降；D-CBF+Kalman管线在短时漏检下零碰撞，行人切向交会时纵向减速平滑；菱形输入域较独立矩形约束降低不可行解率；整体通行时间缩短、轨迹曲率方差减小。

讨论与结论翻译

讨论指出，所提方法在仿真中验证了走廊效率、轨迹平滑与通行效率的改进，但未在实体机器人或嵌入式硬件验证；切比雪夫交叠筛选平衡了走廊数与连通性，D-CBF半径膨胀以保守性换取漏检鲁棒性，顺序MPC切换避免了混合整数变量。结论如下：研究人员提出了一种集成多方向矩形安全走廊与不确定性膨胀D-CBF的顺序MPC框架，用于差速机器人在静动态混合环境导航；多方向切比雪夫圆筛选提升了静态自由空间利用与走廊可切换性；PointRCNN–Hungarian–Kalman管线结合D-CBF在短时漏检下保持安全；Gazebo仿真表明该方法在走廊生成效率、轨迹平滑度与旅行效率上优于对比组，后续可在实体平台与长期遮挡交互中扩展验证。