Point Cloud-Based Control Barrier Functions for Model Predictive Control in Safety-Critical Navigation of Autonomous Mobile Robots

📄 arXiv: 2510.02885v1 📥 PDF

作者: Faduo Liang, Yunfeng Yang, Shi-Lu Dai

分类: cs.RO

发布日期: 2025-10-03

备注: 8 pages, 8 figures, accepted to IROS2025

💡 一句话要点

提出基于点云和控制障碍函数的模型预测控制算法，用于自主移动机器人的安全导航。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主导航 移动机器人 点云处理 控制障碍函数 模型预测控制

📋 核心要点

  1. 现有自主导航方法在复杂动态环境中难以保证安全，尤其是在精确预测动态障碍物运动方面存在挑战。
  2. 该论文提出一种结合点云处理、卡尔曼滤波预测和控制障碍函数的模型预测控制框架，实现安全避障。
  3. 实验结果表明，该方法在仿真和真实环境中均能有效避开静态和动态障碍物，并在安全性和鲁棒性方面优于基线方法。

📝 摘要（中文）

本文提出了一种新的运动规划算法，旨在促进自主移动机器人的安全导航。该算法集成了实时动态障碍物跟踪和映射系统，将点云分为动态和静态两部分。对于动态点云，采用卡尔曼滤波器估计和预测其运动状态。基于这些预测，外推动态点云的未来状态，并将其与静态点云合并，构建前向时域（FTD）地图。通过将控制障碍函数（CBF）与非线性模型预测控制相结合，该算法使机器人能够有效地避开静态和动态障碍物。CBF约束是基于预测的未来状态与FTD地图之间的碰撞检测识别的风险点制定的。模拟和真实场景的实验结果表明了该算法在复杂环境中的有效性。在仿真实验中，该算法与两种基线方法进行了比较，在避障的安全性和鲁棒性方面表现出优越的性能。源代码已发布，供机器人社区参考。

🔬 方法详解

问题定义：自主移动机器人在复杂动态环境中安全导航是一个关键问题。现有方法在处理动态障碍物时，往往难以准确预测其未来轨迹，导致潜在的碰撞风险。尤其是在点云数据处理中，如何有效区分和预测动态障碍物，并将其纳入运动规划，是一个挑战。

核心思路：论文的核心思路是将点云数据处理与控制障碍函数（CBF）相结合，融入模型预测控制（MPC）框架。通过点云数据区分静态和动态障碍物，利用卡尔曼滤波预测动态障碍物的未来状态，并构建前向时域（FTD）地图。然后，基于FTD地图和CBF，设计MPC的约束条件，确保机器人在规划路径时能够安全避开障碍物。

技术框架：该算法主要包含以下几个模块：1) 实时动态障碍物跟踪和映射系统：将点云数据分为静态和动态部分。2) 动态障碍物状态预测：使用卡尔曼滤波器估计和预测动态点云的运动状态。3) 前向时域地图构建：基于动态障碍物的预测状态，外推其未来状态，并与静态点云合并，构建FTD地图。4) 基于CBF的MPC：将CBF作为约束条件，融入非线性MPC中，实现安全避障的运动规划。

关键创新：该方法的主要创新在于将点云数据处理、动态障碍物预测和控制障碍函数有效地结合起来，构建了一个完整的安全导航框架。通过FTD地图，将动态障碍物的未来状态纳入运动规划的考虑范围，提高了避障的安全性。此外，利用CBF作为MPC的约束条件，能够保证机器人在执行规划路径时的安全性。

关键设计：CBF约束的构建是关键。首先，通过碰撞检测算法，识别预测的机器人未来状态与FTD地图之间的风险点。然后，基于这些风险点，构建CBF约束，确保机器人在规划路径时，与障碍物保持一定的安全距离。卡尔曼滤波器的参数设置，如过程噪声和测量噪声的协方差矩阵，对动态障碍物状态预测的准确性至关重要。MPC的优化目标通常包括路径长度、平滑度等，需要根据具体应用场景进行调整。

📊 实验亮点

仿真实验结果表明，该算法在避障的安全性和鲁棒性方面优于两种基线方法。具体而言，在相同的复杂环境中，该算法能够成功避开所有障碍物，而基线方法则可能发生碰撞。此外，该算法在真实场景中也表现出良好的性能，验证了其在实际应用中的可行性。

🎯 应用场景

该研究成果可应用于各种自主移动机器人，如服务机器人、物流机器人、无人驾驶车辆等。尤其是在复杂动态环境中，如拥挤的仓库、人流密集的街道等，该算法能够提高机器人的安全性和可靠性，降低碰撞风险，具有重要的实际应用价值和广阔的应用前景。

📄 摘要（原文）

In this work, we propose a novel motion planning algorithm to facilitate safety-critical navigation for autonomous mobile robots. The proposed algorithm integrates a real-time dynamic obstacle tracking and mapping system that categorizes point clouds into dynamic and static components. For dynamic point clouds, the Kalman filter is employed to estimate and predict their motion states. Based on these predictions, we extrapolate the future states of dynamic point clouds, which are subsequently merged with static point clouds to construct the forward-time-domain (FTD) map. By combining control barrier functions (CBFs) with nonlinear model predictive control, the proposed algorithm enables the robot to effectively avoid both static and dynamic obstacles. The CBF constraints are formulated based on risk points identified through collision detection between the predicted future states and the FTD map. Experimental results from both simulated and real-world scenarios demonstrate the efficacy of the proposed algorithm in complex environments. In simulation experiments, the proposed algorithm is compared with two baseline approaches, showing superior performance in terms of safety and robustness in obstacle avoidance. The source code is released for the reference of the robotics community.