Occlusion-Aware Consistent Model Predictive Control for Robot Navigation in Occluded Obstacle-Dense Environments

要約

閉塞された障害物密度の高い環境でのロボットナビゲーションの安全性と動きの一貫性を確保することは、重大な課題です。
これに関連して、この研究では、閉塞を意識した一貫したモデル予測制御（CMPC）戦略を提示します。
閉塞された障害を説明するために、将来の潜在的な場所を表す調整可能なリスク領域が組み込まれています。
その後、安全性を確保するために、動的リスクの境界制約がオンラインで開発されます。
CMPCは、搾取と探査のバランスをとるために、複数の局所的に最適な軌道ブランチ（それぞれが異なるリスク領域に合わせて調整された）を構築します。
共有コンセンサストランクが生成され、有意な速度の変動なしに枝間でスムーズな遷移を確保し、運動の一貫性をさらに維持します。
高い計算効率を促進し、ローカル軌道全体の調整を確保するために、乗数の交互方向方法（ADMM）を使用して、CMPCを並列解決のために管理可能なサブプロフェンスに分解します。
提案された戦略は、Ackermannステアリングロボットプラットフォームでのシミュレーションと現実世界の実験を通じて検証されます。
結果は、閉塞された障害物密度の高い環境でのベースラインアプローチとの比較を通じて、提案されたCMPC戦略の有効性を示しています。

要約(オリジナル)

Ensuring safety and motion consistency for robot navigation in occluded, obstacle-dense environments is a critical challenge. In this context, this study presents an occlusion-aware Consistent Model Predictive Control (CMPC) strategy. To account for the occluded obstacles, it incorporates adjustable risk regions that represent their potential future locations. Subsequently, dynamic risk boundary constraints are developed online to ensure safety. The CMPC then constructs multiple locally optimal trajectory branches (each tailored to different risk regions) to balance between exploitation and exploration. A shared consensus trunk is generated to ensure smooth transitions between branches without significant velocity fluctuations, further preserving motion consistency. To facilitate high computational efficiency and ensure coordination across local trajectories, we use the alternating direction method of multipliers (ADMM) to decompose the CMPC into manageable sub-problems for parallel solving. The proposed strategy is validated through simulation and real-world experiments on an Ackermann-steering robot platform. The results demonstrate the effectiveness of the proposed CMPC strategy through comparisons with baseline approaches in occluded, obstacle-dense environments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google