在自治机器人的背景下,最重要的任务之一是在导航期间防止对机器人的潜在损坏。为此目的,通常认为必须处理已知的概率障碍,然后计算与每个障碍物碰撞的概率。然而,在复杂的场景或非结构化环境中,可能难以检测这种障碍。在这些情况下,使用公制地图,其中每个位置存储占用的信息。最常见的公制地图类型是贝叶斯占用地图。然而,由于其离散性,这种类型的地图对计算持续路径的风险评估不太适合。因此,我们介绍了一种名为Lambda领域的新型地图,专门用于风险评估。我们首先提出了一种方法来计算这样的地图和对路径的通用风险的期望。然后,我们用一个用例展示了我们的通用配方的益处,该用例将风险定义为路径上的预期碰撞力。使用这种风险定义和Lambda领域,我们表明我们的框架能够在具有物理度量的同时进行经典路径规划。此外,Lambda领域为处理非结构化环境(如高草)提供了一种自然的方式。如果标准环境表示始终会产生围绕此类障碍的轨迹,我们的框架允许机器人在意识到所采取的风险时穿过草地。
translated by 谷歌翻译