Dynamic Obstacle Avoidance of Unmanned Surface Vehicles in Maritime Environments Using Gaussian Processes Based Motion Planning

要約

近年、無人水上車両は、未知の領域の探査、自律輸送、海上パトロールなどのさまざまな海上用途で広く利用されています。
このような海洋用途では、島や岩礁などの潜在的な静的障害物や、他の移動する無人水上車両などの動的障害物と衝突する可能性のある関連ミッションを実行する無人水上車両が挙げられます。
これらのミッションを成功裏に達成するには、これらの静的障害物と動的障害物の両方を効率的に回避するために、滑らかで衝突のない軌道を生成できる動作計画アルゴリズムが不可欠です。
この記事では、ダイナミック ガウス プロセス モーション プランナー 2 と呼ばれる新しいモーション プランニング アルゴリズムを提案します。これにより、ガウス プロセス モーション プランナー 2 の適用範囲を、静的障害物と動的障害物の両方がある複雑で動的な環境に拡張することに成功しました。
まず、修正された多変量ガウス分布を使用して動的障害物に対する安全領域を生成するアプローチを紹介します。
第二に、動的障害物のリアルタイムのステータス情報を修正多変量ガウス分布に統合するアプローチを導入します。
したがって、動的障害物のリアルタイムステータスを含む多変量ガウス分布をファクターグラフの最適化プロセスに革新的に追加して、最適化された軌道を生成できます。
提案されたダイナミック ガウス プロセス モーション プランナー 2 アルゴリズムは、マトリックス研究所での一連のベンチマーク シミュレーションと、ロボット オペレーティング システムでの忠実度の高い海上環境での動的障害物回避ミッションで検証され、その機能と実用性が実証されました。

要約(オリジナル)

During recent years, unmanned surface vehicles are extensively utilised in a variety of maritime applications such as the exploration of unknown areas, autonomous transportation, offshore patrol and others. In such maritime applications, unmanned surface vehicles executing relevant missions that might collide with potential static obstacles such as islands and reefs and dynamic obstacles such as other moving unmanned surface vehicles. To successfully accomplish these missions, motion planning algorithms that can generate smooth and collision-free trajectories to avoid both these static and dynamic obstacles in an efficient manner are essential. In this article, we propose a novel motion planning algorithm named the Dynamic Gaussian process motion planner 2, which successfully extends the application scope of the Gaussian process motion planner 2 into complex and dynamic environments with both static and dynamic obstacles. First, we introduce an approach to generate safe areas for dynamic obstacles using modified multivariate Gaussian distributions. Second, we introduce an approach to integrate real-time status information of dynamic obstacles into the modified multivariate Gaussian distributions. Therefore, the multivariate Gaussian distributions with real-time statuses of dynamic obstacles can be innovatively added into the optimisation process of factor graph to generate an optimised trajectory. The proposed Dynamic Gaussian process motion planner 2 algorithm has been validated in a series of benchmark simulations in the Matrix laboratory and a dynamic obstacle avoidance mission in a high-fidelity maritime environment in the Robotic operating system to demonstrate its functionality and practicability.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google