Safe Planning for Articulated Robots Using Reachability-based Obstacle Avoidance With Spheres

要約

リアルタイムで安全な動作計画を生成することは、構造化されていない人間中心の環境にロボットを大規模に導入するために必要です。
これらの動作計画は、人に危害を与えたり、近くの物体に損傷を与えたりしないように安全でなければなりません。
ただし、ロボットが環境の変化に迅速に適応できるように、リアルタイムで生成する必要もあります。
多くの軌道最適化手法では、安全性とリアルタイムのパフォーマンスをトレードオフするヒューリスティックが導入されており、潜在的に安全でない計画につながる可能性があります。
この論文では、到達可能性ベースの球体回避型障害物回避 (SPARROWS) を使用した多関節ロボットの安全計画を提案することで、この課題に対処します。
SPARROWS は、新しい到達可能なセット表現と正確な符号付き距離関数の組み合わせを利用して、証明された安全な動作計画を生成する後退地平線軌道プランナーです。
実行時に、SPARROWS はパラメータ化された軌道を使用して、ロボットの動作のスイープ ボリュームを過近似する球のみで構成される到達可能なセットを計算します。
次に、SPARROWS は軌道の最適化を実行して、衝突のないことが保証された安全な軌道を選択します。
我々は、SPARROWS の新しい到達可能なセットが以前のアプローチよりも大幅に保守的でないことを示します。
また、雑然とした環境での困難な動作計画タスクを解決する上で、SPARROWS がさまざまな最先端の手法よりも優れたパフォーマンスを発揮することも実証します。
コード、データ、ビデオのデモは \url{https://roahmlab.github.io/sparrows/} でご覧いただけます。

要約(オリジナル)

Generating safe motion plans in real-time is necessary for the wide-scale deployment of robots in unstructured and human-centric environments. These motion plans must be safe to ensure humans are not harmed and nearby objects are not damaged. However, they must also be generated in real-time to ensure the robot can quickly adapt to changes in the environment. Many trajectory optimization methods introduce heuristics that trade-off safety and real-time performance, which can lead to potentially unsafe plans. This paper addresses this challenge by proposing Safe Planning for Articulated Robots Using Reachability-based Obstacle Avoidance With Spheres (SPARROWS). SPARROWS is a receding-horizon trajectory planner that utilizes the combination of a novel reachable set representation and an exact signed distance function to generate provably-safe motion plans. At runtime, SPARROWS uses parameterized trajectories to compute reachable sets composed entirely of spheres that overapproximate the swept volume of the robot’s motion. SPARROWS then performs trajectory optimization to select a safe trajectory that is guaranteed to be collision-free. We demonstrate that SPARROWS’ novel reachable set is significantly less conservative than previous approaches. We also demonstrate that SPARROWS outperforms a variety of state-of-the-art methods in solving challenging motion planning tasks in cluttered environments. Code, data, and video demonstrations can be found at \url{https://roahmlab.github.io/sparrows/}.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google