一种用于高维机器人的机会约束运动规划系统

麻省理工学院计算机科学与人工智能实验室的研究人员最近开发了一种机会约束运动规划系统，该系统可应用于运动不确定性和不完美状态信息情况下的高自由度(DOF)机器人。在arXiv上预先发表的论文中概述了他们的方法，可以找到满足用户指定的碰撞概率界限的可行轨迹。

“这项工作的主要灵感来自现有的机会限制运动规划者的限制，”进行这项研究的研究人员之一Siyu Dai告诉TechXplore。“我发现许多最先进的运动规划师都需要将障碍物制成凸形，这对于高维领域的规划来说是不可行的，例如机械手运动规划。其他主流机会约束运动规划师都是基于快速的 - 探索随机树(RRT)方法，其中高维规划任务的速度非常关注。“

为了解决现有运动规划系统的局限性，戴和她的同事着手开发一种快速反应和机会受限的运动规划器。这样的运动规划器对于完成受到严重干扰和有限观察的任务的机器人特别有用，例如水下操纵。

概率Chekov(p-Chekov)，他们创建的系统，是基于他们以前在确定性运动规划中的工作，它将轨迹优化集成到稀疏的路线图框架中。P-Chekov使用线性二次高斯运动规划方法来估计机器人的状态概率分布。然后，它将正交理论应用于航路点碰撞风险估计，并采用风险分配方法，为航路点分配允许的故障概率。

“我们论文中开发的机会约束运动规划系统包括确定性规划组件和风险评估组件，”戴解释说。“确定性组件首先构建一个路线图，该路线图由基于环境信息的可行无碰撞边缘组成。在线规划任务中，它然后从路线图中搜索可行轨迹并使用轨迹优化器对其进行平滑处理。然后通过该轨迹风险评估部分，根据噪声估计评估碰撞风险。“

如果由P-Chekov的风险评估组件计算的碰撞风险违反预定义的机会约束，则将轨迹返回到确定性规划器并添加新约束，以便找到具有较低风险的轨迹。如果碰撞风险满足机会约束，则系统简单地执行所提出的轨迹。

与现有的风险意识运动规划器相反，P-Chekov可以应用于高自由度机器人规划任务，而不必将障碍物制成凸形。在模拟测试中，系统有效地降低了碰撞的风险，并在高维机器人通常遇到的实际规划场景中满足用户指定的机会约束。

“我们建立了一个机会约束运动规划系统，可以结合高维运动规划任务，”戴说。“这意味着机会约束的运动规划不再局限于驾驶型任务，而是现在可以应用于带有武器的移动机器人，例如人类支持机器人和水下操纵器，它们可以根据不同的风险等级要求制定计划“。

在未来，P-Chekov可以应用于各种高维机器人，在不确定的情况下改进其运动规划。尽管其结果很有希望，但由于次优风险分配和有限数量的正交节点，系统规划阶段的结果有时可能过于保守。

在初步测试中，研究人员已经开始评估可以增强系统效用的技术。同时，他们还计划改进P-Chekov的碰撞概率估算算法，以进一步提高其避免冲突的能力。

“我们下一步研究的主要方向是改进风险评估算法，以加快整个运动规划过程，并使规划人员快速反应，”戴说。