Edge Accelerated Robot Navigation with Hierarchical Motion Planning

要約

低コストの自律ロボットは、搭載されているコンピューティング能力が限られているため、乱雑な環境で移動する際に過度の計算時間がかかります。
この論文では、階層動作計画 (HMP) を採用することでリアルタイムの衝突回避を実現する、Edge Accelerated Robot Navigation (略して EARN) について説明します。
低レベルの動作計画と高レベルのリソース割り当ての間の相互依存性を無視する既存のローカルまたはエッジ動作計画ソリューションとは対照的に、EARN は、全体で予想されるスイッチング ゲインを最大化するモデル予測スイッチング (MPS) を採用しています。
計算および通信リソースの制約下でのロボットの状態と動作。
そのため、各ロボットは、安全性 (経路追従など) を保証するためにローカルで実行される質点動作プランナーと、効率性 (追い越しなど) を保証するために非ローカルで実行されるフルシェイプ動作プランナーとの間で動的に切り替えることができます。
EARN の核心は、2 レベル混合整数最適化に基づく 2 時間スケールの統合意思決定計画アルゴリズムと、ペナルティ二重分解に基づく高速条件付き衝突回避アルゴリズムです。
屋内シミュレーション、屋外シミュレーション、および実世界の環境で EARN のパフォーマンスを検証します。
実験によれば、EARN は最先端のナビゲーション アプローチよりも大幅に小さいナビゲーション時間と衝突率を実現します。

要約(オリジナル)

Low-cost autonomous robots suffer from limited onboard computing power, resulting in excessive computation time when navigating in cluttered environments. This paper presents Edge Accelerated Robot Navigation, or EARN for short, to achieve real-time collision avoidance by adopting hierarchical motion planning (HMP). In contrast to existing local or edge motion planning solutions that ignore the interdependency between low-level motion planning and high-level resource allocation, EARN adopts model predictive switching (MPS) that maximizes the expected switching gain w.r.t. robot states and actions under computation and communication resource constraints. As such, each robot can dynamically switch between a point-mass motion planner executed locally to guarantee safety (e.g., path-following) and a full-shape motion planner executed non-locally to guarantee efficiency (e.g., overtaking). The crux to EARN is a two-time scale integrated decision-planning algorithm based on bilevel mixed-integer optimization, and a fast conditional collision avoidance algorithm based on penalty dual decomposition. We validate the performance of EARN in indoor simulation, outdoor simulation, and real-world environments. Experiments show that EARN achieves significantly smaller navigation time and collision ratios than state-of-the-art navigation approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google