速度感知快速自适应变分稀疏高斯过程安全框架:基于激光雷达的实时动态障碍规避
《IEEE Transactions on Robotics》:Real-Time Data-Driven Safety-Critical Control in Unknown Multi-Obstacle Environments
【字体:
大
中
小
】
时间:2026年09月18日
来源:IEEE Transactions on Robotics 11.1
编辑推荐:
摘要:在未知的动态多障碍环境中实现实时障碍规避对于自主机器人系统至关重要,尤其是当仅依赖车载激光雷达传感器且无先验环境知识时。控制屏障函数(CBF)为这类场景中的安全性提供了理论基础。然而,现有的基于学习的CBF方法仍面临三个关键挑战:基于激光雷达的方法因连续时间步之间的传感
摘要:
在未知的动态多障碍环境中实现实时障碍规避对于自主机器人系统至关重要,尤其是当仅依赖车载激光雷达传感器且无先验环境知识时。控制屏障函数(CBF)为这类场景中的安全性提供了理论基础。然而,现有的基于学习的CBF方法仍面临三个关键挑战:基于激光雷达的方法因连续时间步之间的传感器噪声而导致预测不一致;当前学习方法需要离线训练或先验环境信息,或在多障碍环境中实时性能较差(低于10 Hz);现有方法无法合成处理动态障碍物所需的、对速度敏感的动态控制屏障函数(D-CBF)项。为解决这些局限性,本文提出了一种速度感知的快速自适应变分稀疏高斯过程(VA-FAVSGP)安全框架,该框架仅利用在线激光雷达数据构建了一类缓冲鲁棒的动态控制屏障函数。该框架做出了三项关键贡献:第一,为克服传感器噪声引起的预测不一致并提升实时性能,我们开发了一种具有历史数据融合和时间加权机制的VA-FAVSGP模型用于CBF学习,确保CBF预测的平滑性与一致性,在不需离线训练的情况下实现70-90 Hz(慢速模式)和320-420 Hz(快速模式)的增量学习。第二,为实现对动态障碍物的实时处理,我们利用径向基核函数的平移不变性构建速度感知项以用于D-CBF。第三,我们进一步构建了具有选择性激活策略的基于学习的缓冲鲁棒D-CBF,无论障碍物数量如何均保持计算效率。理论分析证明了系统的安全性和渐近稳定性。大量实验表明,所提出的框架实现了25-40 Hz(慢速模式…)的反应频率
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号