Tight Collision Probability for UAV Motion Planning in Uncertain Environment

要約

動的な障害物や外乱を特徴とする複雑な環境で無人航空機 (UAV) を運用することは、主にそのようなシナリオに固有の不確実性により、重大な課題を引き起こします。
さらに、不正確なロボットの位置特定とモデリングのエラーがこれらの課題をさらに悪化させます。
静的環境における UAV の動作計画に関する最近の研究では、急速に変化する環境に対処できず、実現不可能な軌道が生じる可能性があります。
さらに、動的な障害物や外乱に単独で対処してきたこれまでのアプローチでは、そのような環境の複雑さに対処するには不十分です。
この論文は、さまざまな不確実性を、確率的に不確実性を特徴付けるチャンス制約に統合する、UAV のための信頼性の高い動作計画フレームワークを提案します。
チャンス制約は、ロボットのガウス分布の前方到達可能セットと障害物の状態との間の衝突確率を計算することにより、確率的安全性証明書を提供します。
計画された軌道の保守性を軽減するために、衝突確率の厳密な上限を提案し、それを正確および近似の両方で評価します。
近似解は参照軌道としてモーション プリミティブを生成するために使用され、正確な解はより良い結果を得るために軌道を繰り返し最適化するために利用されます。
私たちの手法はシミュレーションと現実世界の実験で徹底的にテストされ、不確実な環境における信頼性と有効性が検証されています。

要約(オリジナル)

Operating unmanned aerial vehicles (UAVs) in complex environments that feature dynamic obstacles and external disturbances poses significant challenges, primarily due to the inherent uncertainty in such scenarios. Additionally, inaccurate robot localization and modeling errors further exacerbate these challenges. Recent research on UAV motion planning in static environments has been unable to cope with the rapidly changing surroundings, resulting in trajectories that may not be feasible. Moreover, previous approaches that have addressed dynamic obstacles or external disturbances in isolation are insufficient to handle the complexities of such environments. This paper proposes a reliable motion planning framework for UAVs, integrating various uncertainties into a chance constraint that characterizes the uncertainty in a probabilistic manner. The chance constraint provides a probabilistic safety certificate by calculating the collision probability between the robot’s Gaussian-distributed forward reachable set and states of obstacles. To reduce the conservatism of the planned trajectory, we propose a tight upper bound of the collision probability and evaluate it both exactly and approximately. The approximated solution is used to generate motion primitives as a reference trajectory, while the exact solution is leveraged to iteratively optimize the trajectory for better results. Our method is thoroughly tested in simulation and real-world experiments, verifying its reliability and effectiveness in uncertain environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google