Robust Predictive Motion Planning by Learning Obstacle Uncertainty

要約

動的環境におけるロボットシステムの安全な動作計画は、不確実な障害物が存在する場合には自明ではありません。動的障害物の将来の動作を予測するには、障害物の不確実性の推定が重要です。
最悪の場合の特性評価では保守的な不確実性予測が得られ、自我ロボット システムの実行不可能な動作計画が生じる可能性があります。
この論文では、障害物の不確実性をオンラインで学習することにより、効率的で堅牢かつ安全なモーション プレーニング アルゴリズムを開発します。
より具体的には、未知ではあるが意図された障害物の制御セットは、線形計画問題を解くことによって効率的に計算されます。
学習された制御セットは、最悪の場合の予測よりも控えめな、前方に到達可能な障害物のセットを計算するために使用されます。
前方予測に基づいて、堅牢なモデル予測コントローラーは、予測範囲内で到達可能な障害物のセットの外側にある自我ロボット システムの安全な基準軌道を計算するように設計されています。
この方法は、シミュレーションとハードウェア実験の両方で車のような移動ロボットに適用され、その有効性が実証されています。

要約(オリジナル)

Safe motion planning for robotic systems in dynamic environments is nontrivial in the presence of uncertain obstacles, where estimation of obstacle uncertainties is crucial in predicting future motions of dynamic obstacles. The worst-case characterization gives a conservative uncertainty prediction and may result in infeasible motion planning for the ego robotic system. In this paper, an efficient, robust, and safe motion-planing algorithm is developed by learning the obstacle uncertainties online. More specifically, the unknown yet intended control set of obstacles is efficiently computed by solving a linear programming problem. The learned control set is used to compute forward reachable sets of obstacles that are less conservative than the worst-case prediction. Based on the forward prediction, a robust model predictive controller is designed to compute a safe reference trajectory for the ego robotic system that remains outside the reachable sets of obstacles over the prediction horizon. The method is applied to a car-like mobile robot in both simulations and hardware experiments to demonstrate its effectiveness.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google