要約
すべてではないにしても、ほとんどのロボットナビゲーションシステムは、グローバルおよびローカル計画を含む分解された計画フレームワークを採用しています。
オンボードの計算と計画の品質をトレードオフするには、現在のシステムは、ローカルプランナー内でのみすべてのロボットダイナミクスの考慮事項を制限する必要がありますが、グローバルレベルで非常に単純化されたロボット表現（ダイナミクスのないポイントマスホロノミックモデルなど）を活用する必要があります。
ただし、ロボットダイナミクスの完全またはゼロの考慮に基づいたこのような人工分解は、2つのレベル間のギャップにつながる可能性があります。たとえば、特に高度に制約された障害環境では、ホロノミックポイントマスモデルに基づくグローバルパスは、非ホロノミックロボットによって実現できない場合があります。
このような制限に動機付けられて、私たちは、新しいパラダイム、ダイナミックな制約を計画プロセス全体に統合する減少ダイナミクス計画を提案します。
このパラダイムの有効性を検証するために、DDPを使用して3つの異なるプランナーを増やし、全体的な改善された計画パフォーマンスを示します。
また、2025 Barn Challengeのシミュレーションフェーズで1位を達成する新しいDDPベースのナビゲーションシステムも開発します。
シミュレートされた実験と物理実験の両方が、DDPの仮説的な利益を検証します。
要約(オリジナル)
Most, if not all, robot navigation systems employ a decomposed planning framework that includes global and local planning. To trade-off onboard computation and plan quality, current systems have to limit all robot dynamics considerations only within the local planner, while leveraging an extremely simplified robot representation (e.g., a point-mass holonomic model without dynamics) in the global level. However, such an artificial decomposition based on either full or zero consideration of robot dynamics can lead to gaps between the two levels, e.g., a global path based on a holonomic point-mass model may not be realizable by a non-holonomic robot, especially in highly constrained obstacle environments. Motivated by such a limitation, we propose a novel paradigm, Decremental Dynamics Planning that integrates dynamic constraints into the entire planning process, with a focus on high-fidelity dynamics modeling at the beginning and a gradual fidelity reduction as the planning progresses. To validate the effectiveness of this paradigm, we augment three different planners with DDP and show overall improved planning performance. We also develop a new DDP-based navigation system, which achieves first place in the simulation phase of the 2025 BARN Challenge. Both simulated and physical experiments validate DDP’s hypothesized benefits.
arxiv情報
| 著者 | Yuanjie Lu,Tong Xu,Linji Wang,Nick Hawes,Xuesu Xiao |
| 発行日 | 2025-03-26 13:08:07+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google