Multi-Goal Motion Memory

要約

自律移動ロボット (倉庫物流ロボットなど) は、多くの場合、複数の固定目標 (倉庫の棚など) に到達するために、複雑で障害物が多く、変化する環境を横断する必要があります。
従来のモーション プランナーは、環境の変化に応じてマルチゴール パス全体を最初から計算する必要があり、その結果、コンピューティング リソースが大量に消費されます。
このプロセスは時間がかかるだけでなく、環境の変化に迅速に対応する必要があるアプリケーション シナリオのリアルタイム要件を満たさない可能性があります。
この論文では、ロボットが以前の計画経験を利用して、変化する環境において将来の複数目標の計画を加速できるようにする、新しい複数目標モーション メモリ技術を提供します。
具体的には、私たちの技術は、衝突がなく動的に実行可能な軌道とゴールペア間の距離を予測して、サンプリングプロセスをガイドしてロードマップを構築し、巡回セールスマン問題 (TSP) ソルバーにツアーを計算するように通知し、動作計画を効率的に作成します。
障害物が多い環境で車両とヘビのようなロボットを使って行われた実験では、提案されたモーション メモリ技術により計画速度が最大 90% 大幅に加速できることが示されました。
さらに、ソリューションの品質は最先端のアルゴリズムに匹敵し、環境によってはさらに優れています。

要約(オリジナル)

Autonomous mobile robots (e.g., warehouse logistics robots) often need to traverse complex, obstacle-rich, and changing environments to reach multiple fixed goals (e.g., warehouse shelves). Traditional motion planners need to calculate the entire multi-goal path from scratch in response to changes in the environment, which result in a large consumption of computing resources. This process is not only time-consuming but also may not meet real-time requirements in application scenarios that require rapid response to environmental changes. In this paper, we provide a novel Multi-Goal Motion Memory technique that allows robots to use previous planning experiences to accelerate future multi-goal planning in changing environments. Specifically, our technique predicts collision-free and dynamically-feasible trajectories and distances between goal pairs to guide the sampling process to build a roadmap, to inform a Traveling Salesman Problem (TSP) solver to compute a tour, and to efficiently produce motion plans. Experiments conducted with a vehicle and a snake-like robot in obstacle-rich environments show that the proposed Motion Memory technique can substantially accelerate planning speed by up to 90\%. Furthermore, the solution quality is comparable to state-of-the-art algorithms and even better in some environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google