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

要約

動作計画の決定論的方法は、障害物が存在する可能性のある場所でロボットが動作するのを制限しようとすることで、障害物の場所が不確実な中での安全性を保証します。残念ながら、これは過度に保守的な動作になる可能性があります。
チャンス制約付き最適化を適用して、ユーザーが指定した量の境界制約違反を許可することで、モーション プランニング 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、最先端の方法は、モーメントベースの不等式に依存しており、過度に保守的であるか、不確実性をモデル化するため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っています。
これらの課題に対処するために、この作業では、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モーション プランニング フレームワークを提案します。
メソッドは最初に、オフラインでロボットの到達可能なパラメーター化された軌跡のセットを生成します。
実行時に、RADIUS は障害物との衝突のリスクの閉形式の過大近似を計算します。
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ことが証明された方法でロボットがたどることができる軌道を構築します。
提案されたアルゴリズムは、シミュレーションでいくつかの最先端のチャンス制約付き決定論的方法と比較され、さまざまな運転シナリオでそれらを一貫して上回ることが示されています。
ハードウェア上で提案されたフレームワーク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