Motion Primitives Planning For Center-Articulated Vehicles

要約

森林や工事現場など、構造化されていない地形を自律的にナビゲーションする場合、入り組んだ障害物や未知の要素があるため、独自の課題に直面する。このようなシナリオでは、既存の地図がないため、敏捷性と効率性を兼ね備えた動作計画アプローチが必要となる。また、複雑な環境をより効果的にナビゲートするためには、ロボットの運動学的制約を取り入れる必要がある。本研究では、車載センシングを利用した後退地平計画フレームワークの中で運動プリミティブを活用した、中心関節型車両（CAV）のための新しい計画手法を紹介する。このアプローチでは、まず、センターアーティキュレーテッドビークルの特徴的な運動モデルを反映したフォワードシミュレーションにより生成された運動プリミティブをオフラインで作成する。これらのプリミティブはヒューリスティックベースのスコアリング機能により評価され、リアルタイムナビゲーションに最適な経路の選択を容易にする。外乱を考慮するために、我々は中心関節型車両の運動学的仕様に合わせた姿勢安定化制御器を開発する。実験において、本手法は既存の戦略よりSPL（Success Rate weighted by Path Length）性能が$67%改善された。さらに、樹木収穫車SAHAを用いた実環境実験により、その有効性を検証した。

要約(オリジナル)

Autonomous navigation across unstructured terrains, including forests and construction areas, faces unique challenges due to intricate obstacles and the element of the unknown. Lacking pre-existing maps, these scenarios necessitate a motion planning approach that combines agility with efficiency. Critically, it must also incorporate the robot’s kinematic constraints to navigate more effectively through complex environments. This work introduces a novel planning method for center-articulated vehicles (CAV), leveraging motion primitives within a receding horizon planning framework using onboard sensing. The approach commences with the offline creation of motion primitives, generated through forward simulations that reflect the distinct kinematic model of center-articulated vehicles. These primitives undergo evaluation through a heuristic-based scoring function, facilitating the selection of the most suitable path for real-time navigation. To account for disturbances, we develop a pose-stabilizing controller, tailored to the kinematic specifications of center-articulated vehicles. During experiments, our method demonstrates a $67\%$ improvement in SPL (Success Rate weighted by Path Length) performance over existing strategies. Furthermore, its efficacy was validated through real-world experiments conducted with a tree harvester vehicle – SAHA.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL