Edge Accelerated Robot Navigation With Collaborative Motion Planning

要約

低コストの分散ロボットは、オンボードのコンピューティング能力が限られているため、雑然とした環境で移動する際に過度の計算時間がかかります。
本稿では、協調動作計画 (CMP) を採用することでリアルタイムの衝突回避を実現するエッジ アクセラレーテッド ロボット ナビゲーション (EARN) について紹介します。
そのため、各ロボットは、安全性を保証するためにローカルで実行される保守的な動作プランナー (例: 経路追従) と、効率性 (例: 追い越し) を保証するために非ローカルで実行される積極的な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。
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動作計画アプローチとは対照的に、EARN は、計算および通信リソースの下でロボットの状態と動作に関して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) を採用します。
制約。
MPS 問題は、2 値混合整数非線形計画法とペナルティ双対分解に基づいた、緊密に結合された意思決定と動作計画フレームワークによって解決されます。
屋内シミュレーション、屋外シミュレーション、および現実世界の環境で 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短いナビゲーション時間と高い成功率を達成します。

要約(オリジナル)

Low-cost distributed robots suffer from limited onboard computing power, resulting in excessive computation time when navigating in cluttered environments. This paper presents Edge Accelerated Robot Navigation (EARN), to achieve real-time collision avoidance by adopting collaborative motion planning (CMP). As such, each robot can dynamically switch between a conservative motion planner executed locally to guarantee safety (e.g., path-following) and an aggressive motion planner executed non-locally to guarantee efficiency (e.g., overtaking). In contrast to existing motion planning approaches 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 with respect to robot states and actions under computation and communication resource constraints. The MPS problem is solved by a tightly-coupled decision making and motion planning framework based on bilevel mixed-integer nonlinear programming and 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 higher success rates than state-of-the-art navigation approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google