Safe-Ballbot: Tilt-Consistent MPC with Control Barrier Functions for Ballbot Navigation
作者: Duc Cuong Vu, Tung Lam Nguyen
分类: cs.RO, eess.SY
发布日期: 2026-11-02
备注: Under-review
💡 一句话要点
提出安全球机器人导航方案以解决动态障碍物避让问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 球机器人 模型预测控制 滑模控制 动态障碍物 安全导航 控制障碍函数 扩展状态观测器
📋 核心要点
- 现有的球机器人导航方法要么计算成本高，要么无法有效处理平衡动态，导致无法实现安全导航。
- 本文提出的双层导航方案通过模型预测控制和滑模控制相结合，有效解决了动态障碍物避让和倾斜控制的问题。
- 实验结果显示，该方案在障碍物避让中表现出色，跟踪精度和规划速度均显著优于传统方法。
📝 摘要（中文）
球平衡机器人（ballbots）在加速时必须倾斜，倾斜受限于轮子扭矩和安全性。现有的规划方法要么成本高昂，要么忽视平衡动态，导致无法跟随的参考轨迹。本文提出了一种针对三轮全向球机器人的双层导航方案。上层为基于球位置的加速度模型的模型预测控制器，结合静态、移动、旋转和凹形障碍物的离散时间控制障碍函数。下层为具有扩展状态观测器的分层滑模控制器，确保倾斜保持在安全范围内。实验结果表明，该方案在MuJoCo中实现了至少10厘米的安全间距，跟踪精度达到2厘米均方根误差，规划速度为9-12毫秒，显著优于全模型非线性MPC。
🔬 方法详解
问题定义：本文旨在解决球平衡机器人在动态环境中导航时的倾斜控制与障碍物避让问题。现有方法往往忽视平衡动态，导致无法生成可行的运动轨迹。
核心思路：论文提出的双层导航方案结合了模型预测控制（MPC）和滑模控制，确保机器人在倾斜限制内安全导航，同时有效处理动态障碍物。
技术框架：整体架构分为两个层次：上层使用基于加速度模型的MPC，处理静态和动态障碍物；下层为分层滑模控制器，确保倾斜控制在安全范围内。两层通过闭式形式的加速度界限相连。
关键创新：最重要的创新在于结合了控制障碍函数与滑模控制，确保机器人在动态环境中安全导航，同时保持高效的计算速度。与现有方法相比，该方法在处理动态障碍物时表现出更高的安全性和可行性。
关键设计：关键设计包括使用扩展状态观测器（ESO）来增强系统的鲁棒性，以及采用控制障碍函数来限制倾斜角度，确保机器人在运动过程中始终保持在安全范围内。
🖼️ 关键图片
📊 实验亮点
实验结果显示，该方案在MuJoCo中实现了至少10厘米的安全间距，跟踪精度达到2厘米均方根误差，规划速度为9-12毫秒，比全模型非线性MPC快10-15倍，显著提升了动态环境中的导航性能。
🎯 应用场景
该研究的潜在应用领域包括服务机器人、自动驾驶车辆和工业自动化等场景，能够有效提升机器人在复杂动态环境中的导航能力，具有重要的实际价值和未来影响。
📄 摘要（原文）
Ball-balancing robots (ballbots) must lean to accelerate, and the lean is limited by the wheel torques and by safety. Planners that use the full robot model are expensive, while planners that ignore the balance dynamics produce references that cannot be followed. This paper presents a two-layer navigation scheme for a three-omni-wheel ballbot. The upper layer is a model predictive controller on a \emph{jerk model} of the ball position, with discrete-time control barrier functions for static, moving, rotating and concave obstacles. The lower layer is a hierarchical sliding mode controller with an extended state observer and a robust exponential control barrier function on the tilt (HSMC-ESO-ECBF). The layers are linked by an acceleration bound derived in closed form from the largest steady tilt that the barrier function admits, so that the plan never asks for a lean the tracker refuses. For obstacles whose motion is only predicted, the obstacles are inflated by conformal prediction radii that bound the prediction error with a prescribed probability. In MuJoCo, with omni-wheel roller contacts and torque saturation, the scheme keeps at least $10$\,cm of clearance, tracks the plan within $2$\,cm RMS, keeps the tilt below the limit and plans in $9$--$12$\,ms, $10$--$15$ times faster than a full-model nonlinear MPC that enters the inflated obstacles; with predicted obstacles, the conformal inflation removes the collisions of a constant-velocity predictor in $30$ random crossing scenarios and reduces them in an endless run on a closed path.The source code and video illustrations are available at https://safe-ballbot.github.io