Occupation-aware planning method for robotic monitoring missions in dynamic environments

要約

本論文では、移動する障害物が存在する中でのロボットによる監視ミッションのための方法を提示する。シナリオマップは既知であるが、ロボットはモニタリングミッション中の動的な障害物の動きに関する情報が不足している。近年、高度に動的な環境を航行するための数多くのローカルプランナーが開発されている。しかし、このような環境に対するグローバルプランナーが存在しないため、衝突が避けられなかったり、今回のシナリオモニタリングのような人口密集地でのミッションを成功させることができなかったりする。本研究では、このような困難な条件下でのロボットの展開を強化することを目的としたグローバルプランナー$MADA$（Monitoring Avoiding Dynamic Areas）の開発と評価を行う。ロボットは提案された2段階のアプローチを用いてミッションを計画し実行する。最初のステップでは、環境の分布と推定監視コストに基づいて観測目標を選択する。第2ステップでは、ロボットは移動障害物のある領域を特定し、その占有率に基づいて、高密度に占有された動的領域を回避する経路を得る。シミュレーションと実環境での実験に基づく定量的・定性的な結果から、提案手法により、ロボットが動的に占有された密集領域を回避しつつ、環境の大部分を効率的に監視できることが確認された。

要約(オリジナル)

This paper presents a method for robotic monitoring missions in the presence of moving obstacles. Although the scenario map is known, the robot lacks information about the movement of dynamic obstacles during the monitoring mission. Numerous local planners have been developed in recent years for navigating highly dynamic environments. However, the absence of a global planner for these environments can result in unavoidable collisions or the inability to successfully complete missions in densely populated areas, such as a scenario monitoring in our case. This work addresses the development and evaluation of a global planner, $MADA$ (Monitoring Avoiding Dynamic Areas), aimed at enhancing the deployment of robots in such challenging conditions. The robot plans and executes the mission using the proposed two-step approach. The first step involves selecting the observation goal based on the environment’s distribution and estimated monitoring costs. In the second step, the robot identifies areas with moving obstacles and obtains paths avoiding densely occupied dynamic regions based on their occupation. Quantitative and qualitative results based on simulations and on real-world experimentation, confirm that the proposed method allows the robot to effectively monitor most of the environment while avoiding densely occupied dynamic areas.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL