基于走廊的自适应控制屏障与李雅普诺夫函数用于移动机器人安全导航
Corridor-based Adaptive Control Barrier and Lyapunov Functions for Safe Mobile Robot Navigation
AI总结：
本文提出一种结合CLF与CBF的MPCC框架，利用自由空间走廊约束并通过SAC动态调整参数，实现未知杂乱环境下的安全导航。
摘要：
在未知且杂乱的环境中安全导航仍然是机器人领域的一个挑战性问题。模型预测轮廓控制（MPCC）通过实现精确且敏捷的轨迹跟踪，在高效避障方面展现出潜力，然而现有方法缺乏形式化的安全保证。为解决这一问题，我们提出了一种通用的控制李雅普诺夫函数（CLF）与控制屏障函数（CBF）驱动的MPCC框架，该框架强制执行由规划轨迹周围的自由空间走廊导出的安全约束。为增强可行性，我们使用Soft Actor-Critic（SAC）策略在运行时动态调整CBF参数。该方法通过大量仿真以及在未知杂乱环境中移动机器人导航的实验进行了验证。
英文摘要：
Safe navigation in unknown and cluttered environments remains a challenging problem in robotics. Model Predictive Contour Control (MPCC) has shown promise for performant obstacle avoidance by enabling precise and agile trajectory tracking, however, existing methods lack formal safety assurances. To address this issue, we propose a general Control Lyapunov Function (CLF) and Control Barrier Function (CBF) enabled MPCC framework that enforces safety constraints derived from a free-space corridor around the planned trajectory. To enhance feasibility, we dynamically adapt the CBF parameters at runtime using a Soft Actor-Critic (SAC) policy. The approach is validated with extensive simulations and an experiment on mobile robot navigation in unknown cluttered environments.
机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。
