Decentralized Nonlinear Model Predictive Control-Based Flock Navigation with Real-Time Obstacle Avoidance in Unknown Obstructed Environments

要約

この作業は、より現実的な局所障害物回避戦略を備えた未知の閉塞環境での特定の群れ行動に続いて、ロボット艦隊をナビゲートするために、分散した非線形モデル予測制御（NMPC）に関する以前の作業を拡張します。
より具体的には、ポイントクラウドを使用してローカル障害回避制約をNMPCフレームワークに統合します。
ここでは、各エージェントはローカルセンサーのデータに依存して、近くの障害を認識して応答します。
最適化中の計算負担を最小限に抑えるために、2次元ポイントクラウドと3次元ポイントクラウドの両方に対してポイントクラウド処理手法が提示されます。
このプロセスは、データポイントの数を大幅に削減する方向性のフィルタリングとダウンサンプリングで構成されています。
アルゴリズムのパフォーマンスは、Gazeboでの現実的な3Dシミュレーションを通じて検証されており、その実用的な実現可能性は、組み込みプラットフォーム上のハードウェア（HIL）シミュレーションを介してさらに調査されます。

要約(オリジナル)

This work extends our prior work on the distributed nonlinear model predictive control (NMPC) for navigating a robot fleet following a certain flocking behavior in unknown obstructed environments with a more realistic local obstacle avoidance strategy. More specifically, we integrate the local obstacle avoidance constraint using point clouds into the NMPC framework. Here, each agent relies on data from its local sensor to perceive and respond to nearby obstacles. A point cloud processing technique is presented for both two-dimensional and three-dimensional point clouds to minimize the computational burden during the optimization. The process consists of directional filtering and down-sampling that significantly reduce the number of data points. The algorithm’s performance is validated through realistic 3D simulations in Gazebo, and its practical feasibility is further explored via hardware-in-the-loop (HIL) simulations on embedded platforms.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google