Capability-Conditioned Graph Control Barrier Functions for Zero-Shot Safe Navigation of Heterogeneous Mobile Robot Teams

📄 arXiv: 2610.41214v1 📥 PDF

作者: Joonkyung Kim, Janghyun Cho, Jeehyun Lee, Changjoo Nam, Yiwei Lyu

分类: cs.RO

发布日期: 2026-10-30

备注: 9 pages, 5 figures, 2 tables

💡 一句话要点

提出能力条件图控制障碍函数以解决异构移动机器人团队的安全导航问题

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 异构机器人 安全导航 图控制障碍函数 能力条件 零-shot 转移 多机器人系统 运动学约束

📋 核心要点

  1. 现有的图控制障碍函数方法通常假设机器人具有同质的动态特性，限制了其在异构机器人团队中的应用。
  2. 本文提出能力条件异构图控制障碍函数（CC-HGCBF），通过共享的操作空间实现异构机器人的安全控制，同时保留模型特定的动态特性。
  3. 实验结果表明，该方法在混合团队中实现了可扩展的安全协调，并成功实现了对未见机器人模型的零-shot 转移。

📝 摘要（中文）

多机器人系统越来越多地作为具有多样运动学和驱动能力的异构舰队部署。尽管图控制障碍函数（GCBF）方法为去中心化安全控制提供了可扩展框架，但现有方法通常假设机器人动态是同质的。直接编码机器人类别的方法能够区分已知类型，但无法表示状态依赖的运动能力或自然转移到未见的机器人模型。为了解决这一挑战，本文提出了能力条件异构图控制障碍函数（CC-HGCBF），在共享的二阶参考点操作空间中定义。这种表述为异构机器人提供了安全的共同几何表示，同时保留了其模型特定的动态和可接受的控制约束。为了实现零-shot 转移，本文引入了径向能力场（RCF），它是每个机器人状态依赖的有限时域可达速度集的紧凑固定维度表示。对共享图障碍和去中心化策略进行 RCF 条件化，使其能够适应机器人状态、运动学约束和控制限制的变化，而无需依赖预定义的机器人身份。

🔬 方法详解

问题定义：本文旨在解决异构移动机器人团队在安全导航中的控制问题，现有方法的痛点在于无法处理不同机器人动态特性和状态依赖的运动能力。

核心思路：提出能力条件异构图控制障碍函数（CC-HGCBF），通过共享的二阶参考点操作空间来统一表示异构机器人的安全性，同时引入径向能力场（RCF）以实现零-shot 转移。

技术框架：整体架构包括能力条件图控制障碍函数的定义、径向能力场的构建、以及基于这些模块的去中心化策略训练。主要阶段包括安全标签的主动标注和神经控制障碍函数-二次规划（CBF-QP）监督。

关键创新：最重要的创新在于引入了能力条件的图控制障碍函数和径向能力场，使得方法能够适应不同机器人状态和动态特性，而不依赖于预定义的机器人身份。

关键设计：在训练过程中，采用了联合训练的方式，结合了主动安全标签和神经CBF-QP监督，确保了模型的有效性和适应性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，所提出的方法在混合机器人团队中实现了安全协调，且在面对未见机器人模型时，成功实现了零-shot 部署，验证了方法的有效性和适应性。

🎯 应用场景

该研究的潜在应用领域包括自动驾驶、无人机编队、以及工业自动化等多机器人协作场景。其实际价值在于能够实现异构机器人团队的安全高效协作，未来可能推动智能机器人在复杂环境中的广泛应用。

📄 摘要（原文）

Multi-robot systems are increasingly deployed as heterogeneous fleets with diverse kinematic and actuation capabilities. While graph control barrier function (GCBF) methods provide a scalable framework for decentralized safe control, existing approaches typically assume homogeneous robot dynamics. Methods that directly encode robot classes can distinguish known types, but do not represent state-dependent motion capabilities or naturally transfer to unseen robot models. To address this challenge, we propose the Capability-Conditioned Heterogeneous Graph Control Barrier Function (CC-HGCBF), defined in a shared second-order reference-point operational space. This formulation provides a common geometric representation of safety across heterogeneous robots while retaining their model-specific dynamics and admissible control constraints. To enable zero-shot transfer, we introduce the Radial Capability Field (RCF), a compact, fixed-dimensional representation of each robot's state-dependent finite-horizon reachable velocity set. Conditioning the shared graph barrier and decentralized policy on the RCF enables them to adapt to changes in robot state, kinematic constraints, and control limits without relying on predefined robot identities. We jointly train the barrier and policy using proactive safety labeling and neural CBF-QP supervision, and evaluate them on mixed teams containing both seen and unseen robot models. Experiments demonstrate scalable safe coordination and zero-shot transfer to robot models and capability variations withheld during training. Physical-robot experiments further demonstrate zero-shot deployment to unseen kinematic models without retraining.