基于可达性安全表征的未知与动态环境实时机器人导航方法研究

预印本摘要提出通过神经网络隐式表征离线学习哈密顿-雅可比可达性解，为未知动态环境中的机器人优化控制器提供实时安全动力学信息。该方案仅学习非负动力学修正项以防近似误差破坏安全性，并分别作为模型预测控制的终端约束和控制屏障函数安全滤波器。地面与空中机器人的软硬件实验显示其避障效果优于几何基准，研究还利用可并行树搜索将离线训练扩展至最多13个状态维度的系统。