RADIUS: Risk-Aware, Real-Time, Reachability-Based Motion Planning

要約

動作計画の決定論的手法では、障害物が存在する可能性のある場所でのロボットの動作を制限することで、障害物の位置が不確実な中でも安全性が保証されます。残念ながら、これは過度に保守的な動作を引き起こす可能性があります。
チャンス制約の最適化を適用すると、ユーザー指定の量の制限制約違反を許容することで、動作計画アルゴリズムのパフォーマンスを向上させることができます。
ただし、最先端の手法はモーメントベースの不等式に依存しているため、保守的すぎる可能性があるか、不確実性のモデル化に使用される確率分布のクラスに関する仮定を満たすことが困難になります。
これらの課題に対処するために、この研究では、RADIUS と呼ばれるリアルタイムのリスク認識到達可能性ベースの動作計画フレームワークを提案しています。
この方法では、まず、ロボットのパラメータ化された軌道の到達可能なセットをオフラインで生成します。
RADIUS は実行時に、障害物との衝突のリスクの閉形式の過近似を計算します。
これは、不確実性をモデル化するために使用される確率分布を単純なクラス (ガウス分布など) に制限することなく行われます。
次に、RADIUS はリアルタイムの最適化を実行して、ユーザーが指定したしきい値以下の衝突リスクがあると認定された方法でロボットがたどることのできる軌道を構築します。
提案されたアルゴリズムは、シミュレーションにおいていくつかの最先端の確率制約型および決定論的手法と比較され、さまざまな運転シナリオにおいて一貫してそれらの手法を上回るパフォーマンスを示すことが示されています。
提案されたフレームワークのハードウェア上のデモンストレーションも提供されます。

要約(オリジナル)

Deterministic methods for motion planning guarantee safety amidst uncertainty in obstacle locations by trying to restrict the robot from operating in any possible location that an obstacle could be in. Unfortunately, this can result in overly conservative behavior. Chance-constrained optimization can be applied to improve the performance of motion planning algorithms by allowing for a user-specified amount of bounded constraint violation. However, state-of-the-art methods rely either on moment-based inequalities, which can be overly conservative, or make it difficult to satisfy assumptions about the class of probability distributions used to model uncertainty. To address these challenges, this work proposes a real-time, risk-aware reachability-based motion planning framework called RADIUS. The method first generates a reachable set of parameterized trajectories for the robot offline. At run time, RADIUS computes a closed-form over-approximation of the risk of a collision with an obstacle. This is done without restricting the probability distribution used to model uncertainty to a simple class (e.g., Gaussian). Then, RADIUS performs real-time optimization to construct a trajectory that can be followed by the robot in a manner that is certified to have a risk of collision that is less than or equal to a user-specified threshold. The proposed algorithm is compared to several state-of-the-art chance-constrained and deterministic methods in simulation, and is shown to consistently outperform them in a variety of driving scenarios. A demonstration of the proposed framework on hardware is also provided.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google