文章核心观点 - 本文提出了一种名为VPP-TC（Viability-Preserving Passive Torque Control）的新型机器人安全控制框架，该框架基于可行性理论，通过在关节位置-速度的增广状态空间中预计算安全集，将安全约束转化为关节加速度的仿射约束，并通过二次规划实时求解，确保机器人在无限时间范围内始终安全[5] - 相比基于控制屏障函数的基线方法，VPP-TC无需计算边界函数的二阶导数，从而实现了更高的控制回路频率、更平滑的轨迹和更短的路径[5] - 该框架统一处理关节限位、自碰撞和外部碰撞等多类约束，并天然支持动态障碍物，在仿真和真机实验中均表现出显著优于基线方法的性能[26][31][32] 研究背景与动机 - 在物理人机交互场景中，机器人需保持被动性以保证稳定，但经典的被动控制器缺乏显式的约束处理能力，无法保证全程的碰撞避免和关节限位[9] - 先前利用控制屏障函数的工作存在局限性：硬约束冲突可能导致二次规划不可行、易陷入死锁、且需要计算边界函数的Hessian矩阵，实时性难以保证[13] - 这些局限性促使研究转向基于可行性理论的安全控制框架[9] 方法详解：核心思想与框架 - VPP-TC的核心创新在于在关节位置和速度的增广状态空间中定义安全边界，从而将安全约束直接推导为关节加速度的仿射约束，无需计算边界函数的二阶导数[11] - 可行性定义为：从可行集中的任意初始状态出发，存在一个控制序列使得产生的无限长状态序列始终保持在可行集内，这比单纯的“可行”要求更强[11] - 最终控制框架将所有约束统一到一个二次规划问题中，目标是最小化实际力矩与名义被动控制器力矩的偏差，约束条件按需激活[22] 方法详解：自碰撞避免约束 - 自碰撞可行性被保守地定义为：从当前状态出发，以最大减速反向制动至完全停止的整条制动轨迹上都不发生自碰撞[14] - 为学习该可行集，使用了一个基于Transformer的神经网络分类器，训练数据通过仿真生成300万组状态对，网络测试集准确率达99.27%，召回率达99.74%[14] - 约束通过Taylor展开线性化为关于加速度的仿射约束，再通过机器人动力学方程转化为力矩约束[17] 方法详解：外部碰撞避免约束 - 对于外部碰撞，采用Bernstein多项式表示的符号距离函数编码每个机器人连杆的几何，并定义可行性保持SDF为制动轨迹上的最小瞬时SDF[19] - 通过类似方法得到关于加速度的仿射约束，该约束通过Δp项隐式地纳入了障碍物速度信息，使VPP-TC天然具备处理动态障碍物的能力[20] 方法详解：关节限位约束 - 关节位置与速度限位约束通过解析推导获得关节加速度的上下界，并取位置可行性约束、速度约束和硬件加速度限制的交集，再转化为力矩约束[21] 实验结果：仿真性能 - 在7自由度Franka Panda机械臂的仿真实验中，VPP-TC与基线CPIC在三种约束设置下对比：仅自碰撞避免、仅外部碰撞避免、以及全约束[25] - VPP-TC在所有设置下均显著优于CPIC：控制频率提升1.4–2.4倍，轨迹长度更短，轨迹抖动降低了一个数量级以上[26] 实验结果：真机验证 - 在7-DoF Franka Panda真机上验证了三个场景：自碰撞避免、外部碰撞避免以及综合遥操作任务[27] - 在自碰撞避免场景中，启用约束后机械臂安全到达目标；在外部碰撞避免场景中，机械臂能抵抗外力或主动退避以保持安全间距；在遥操作按台灯开关任务中，VPP-TC同时处理外部和自碰撞约束，安全完成任务[34] - 真机实验在约200Hz的控制频率下实现了真正的全身碰撞避免[34] 技术亮点与讨论 - 无需二阶导数：通过在增广状态空间中操作，安全约束仅需边界函数的一阶梯度，大幅降低计算负担，是实现高控制频率的关键[30] - 统一框架处理多类约束：关节限位、自碰撞、外部碰撞三类约束在同一二次规划中按需激活，框架简洁[31] - 天然支持动态障碍物：外部碰撞约束隐式编码了障碍物速度，无需额外处理即可应对动态环境[32] - 全身碰撞避免：得益于Bernstein多项式SDF的高效计算，能考虑所有机器人连杆的几何，而非仅末端[33] - 被动性保证：论文证明即使在约束激活时，控制器输出的力矩仍保持任务空间被动性[35] 总结与评价 - VPP-TC为被动力矩控制的安全性问题提供了一套优雅而高效的解决方案，将可行性理论与数据驱动学习相结合[38] - 该工作已在IROS 2025两个Workshop上分别获得最佳贡献奖和最佳学生论文奖，并被ICRA 2026录用，体现了其学术价值和应用潜力[38]