面向安全关键动态避障的时间高效迭代学习规划
Time-Efficient Iterative Learning Planning for Safety-Critical Dynamic Obstacle Avoidance
- Beijing Institute of Technology（北京理工大学）
- Beihang University（北京航空航天大学）
机构由 AI 辅助整理，请以论文原文为准。
中文总结 AI 辅助
本文通过集成预期风险混合控制障碍函数扩展迭代学习规划，实现动态环境中的安全关键避障，在低计算开销下提升时间效率与安全性。
中文摘要 AI 辅助
自主移动机器人在受限的机载计算条件下，需要时间高效的规划和安全关键的动态避障能力。虽然迭代学习规划（ILP）提供了轻量级且高效的遍历规划，但它缺乏动态障碍物感知和避让的显式机制。本文将ILP扩展到动态环境中的安全关键导航，通过集成一种预期风险混合控制障碍函数（ARB-CBF）。扩展后的ILP通过基于局部障碍物风险的分数幂更新来学习遍历速度和转向偏置分布，生成名义控制指令，ARB-CBF在运行时对这些指令进行修改以实现实时安全保证。算法分析表明，ILP重规划阶段在k次迭代和N个航点下的复杂度为O(kN)，而ARB-CBF以线性复杂度执行。综合仿真和真实世界实验验证了该框架，与基于优化的基线方法相比，在更低的计算开销下展现了优越的时间效率和安全性，使其非常适合资源受限的平台。
英文摘要
Autonomous mobile robots require timeefficient planning and safety-critical dynamic obstacle avoidance under constrained onboard computation. While Iterative Learning Planning (ILP) offers lightweight and efficient traversal planning, it lacks explicit mechanisms for dynamic obstacle perception and avoidance. This article extends ILP to safety-critical navigation in dynamic environments by integrating an anticipatory risk-blended control barrier function (ARB-CBF). The extended ILP learns traversal-speed and steering-bias profiles via a fractionalpower update based on local obstacle risk, generating nominal control commands that ARB-CBF modifies at runtime for real-time safety guarantees. Algorithmic analysis demonstrates that the ILP replanning stage scales at O(kN) for k iterations and N waypoints, while ARB-CBF executes with linear complexity. Comprehensive simulations and real-world experiments validate the framework, demonstrating superior temporal efficiency and safety with lower computational overhead compared to optimizationbased baselines, making it highly suitable for resourceconstrained platforms.
