Robot Safe Planning In Dynamic Environments Based On Model Predictive Control Using Control Barrier Function

要約

動的な環境で障害物回避を実装することは、ロボットにとって難しい問題です。
モデル予測制御 (MPC) は、この種の問題に対処するための一般的な戦略であり、最近の研究では主に制御バリア関数 (CBF) をハード制約として使用して、システム状態が安全なセット内に留まるようにしています。
ただし、混雑したシナリオでは、実行不可能な問題により効果的な解決策が得られず、コントローラーのパフォーマンスが低下する可能性があります。
我々は、動的環境における障害物回避の問題に取り組むために CBF を統合した新しい MPC フレームワークを提案します。このフレームワークでは、予測範囲全体にわたって動作するハード制約によって引き起こされる実行不可能性の問題が、制約を緩和し、正確なペナルティを導入することで解決され、ロボットに次のことを促します。
積極的に新しい道を模索します。
同時に、一般化された CBF はコントローラーの単一ステップの安全制約として拡張され、ナビゲーション中のロボットの安全性が強化されます。
提案手法の有効性は、二重積分器システムと一輪車システムを用いたシミュレーション実験を通じて初めて示され、提案手法は安全性、実現可能性、ナビゲーション効率の点で他のコントローラよりも優れています。
さらに、MR1000ロボットの実環境実験を実施し、提案手法の有効性を実証した。

要約(オリジナル)

Implementing obstacle avoidance in dynamic environments is a challenging problem for robots. Model predictive control (MPC) is a popular strategy for dealing with this type of problem, and recent work mainly uses control barrier function (CBF) as hard constraints to ensure that the system state remains in the safe set. However, in crowded scenarios, effective solutions may not be obtained due to infeasibility problems, resulting in degraded controller performance. We propose a new MPC framework that integrates CBF to tackle the issue of obstacle avoidance in dynamic environments, in which the infeasibility problem induced by hard constraints operating over the whole prediction horizon is solved by softening the constraints and introducing exact penalty, prompting the robot to actively seek out new paths. At the same time, generalized CBF is extended as a single-step safety constraint of the controller to enhance the safety of the robot during navigation. The efficacy of the proposed method is first shown through simulation experiments, in which a double-integrator system and a unicycle system are employed, and the proposed method outperforms other controllers in terms of safety, feasibility, and navigation efficiency. Furthermore, real-world experiment on an MR1000 robot is implemented to demonstrate the effectiveness of the proposed method.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google