CC-VPSTO: Chance-Constrained Via-Point-based Stochastic Trajectory Optimisation for Safe and Efficient Online Robot Motion Planning

要約

不確実性に直面した場合の安全性は、ロボット工学における重要な課題である。本研究では、確率的制御問題に対して、安全でタスク効率の高いロボット軌道を生成するためのリアルタイム可能なフレームワークを提案する。そのために、我々はまず、制御システムが安全制約に違反する確率がユーザ定義の閾値以下であることを制約する、偶然制約付き最適化問題として問題を定式化する。チャンス制約付き最適化問題を解くために、コントローラが安全制約に違反する確率を推定するために、不確実性のサンプルに依存するモンテカルロ近似を提案する。この近似をモーション・プランナVP-STOで使用し、サンプルに基づく問題を解く。その結果、われわれの適応したアプローチをCC-VPSTO（Chance-Constrained VP-STOの略）と呼ぶ。我々は、モンテカルロ近似に関する重要な問題に対処する：所定の数の不確定性サンプルが与えられたとき、我々は、それが元の問題の信頼できる過近似であるように、サンプルベース問題を定義するいくつかの方法を提案する。我々のアプローチの長所は、i)基礎となる不確実性分布、システムのダイナミクス、コスト関数、および提案されたサンプルベースの近似のいくつかについて、不等式制約の形式に関する特定の仮定を必要としないため、その一般性にある。我々は、シミュレーションと実際のロボット実験の両方で、我々のアプローチの有効性と効率性を実証する。追加資料については、https://sites.google.com/oxfordrobotics.institute/cc-vpsto。

要約(オリジナル)

Safety in the face of uncertainty is a key challenge in robotics. In this work, we propose a real-time capable framework to generate safe and task-efficient robot trajectories for stochastic control problems. For that, we first formulate the problem as a chance-constrained optimisation problem, in which the probability of the controlled system to violate a safety constraint is constrained to be below a user-defined threshold. To solve the chance-constrained optimisation problem, we propose a Monte–Carlo approximation relying on samples of the uncertainty to estimate the probability of violating a safety constraint given a controller. We use this approximation in the motion planner VP-STO to solve the sampled-based problem. Consequently, we refer to our adapted approach as CC-VPSTO, which stands for Chance-Constrained VP-STO. We address the crucial issue concerning the Monte–Carlo approximation: given a predetermined number of uncertainty samples, we propose several ways to define the sample-based problem such that it is a reliable over-approximation of the original problem, i.e. any solution to the sample-based problem adheres to the original chance-constrained problem with high confidence. The strengths of our approach lie in i) its generality, as it does not require any specific assumptions on the underlying uncertainty distribution, the dynamics of the system, the cost function, and for some of the proposed sample-based approximations, on the form of inequality constraints; and ii) its applicability to MPC-settings. We demonstrate the validity and efficiency of our approach on both simulation and real-world robot experiments. For additional material, please visit https://sites.google.com/oxfordrobotics.institute/cc-vpsto.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL