本文介绍了一个新的在线多代理轨迹规划算法,可确保在杂乱的环境中产生安全,动态可行的轨迹。所提出的算法利用线性安全走廊(LSC)来制定分布式轨迹优化问题,只有可行的约束,因此它不采用松弛变量或软限制以避免优化失败。我们采用基于优先的目标规划方法来防止僵局而无需额外的程序来确定要屈服的机器人。所提出的算法可以平均将60个代理的轨迹平均每代理使用英特尔I7笔记本电脑计算60个代理,并与基于软限制的基线相比,显示了类似的飞行距离和距离。我们核实所提出的方法可以在随机森林和室内空间中没有僵局达到目标,并且我们通过在迷宫状环境中使用10个时段的真正飞行试验验证了所提出的算法的安全性和可操作性。
translated by 谷歌翻译
本文介绍了一个分散的多代理轨迹计划(MATP)算法,该算法保证在有限的沟通范围内在障碍物丰富的环境中生成安全,无僵硬的轨迹。所提出的算法利用基于网格的多代理路径计划(MAPP)算法进行僵局,我们引入了子目标优化方法,使代理会收敛到从MAPP生成的无僵局生成的路点。此外,提出的算法通过采用线性安全走廊(LSC)来确保优化问题和避免碰撞的可行性。我们验证所提出的算法不会在随机森林和密集的迷宫中造成僵局,而不论沟通范围如何,并且在飞行时间和距离方面的表现都优于我们以前的工作。我们通过使用十个四肢的硬件演示来验证提出的算法。
translated by 谷歌翻译
尽管沟通延迟可能会破坏多种系统,但大多数现有的多基因轨迹计划者都缺乏解决此问题的策略。最先进的方法通常采用完美的通信环境,这在现实世界实验中几乎是现实的。本文介绍了强大的Mader(RMADER),这是一个分散的异步多轨迹计划者,可以处理代理商之间的通信延迟。通过广播新优化的轨迹和忠实的轨迹,并执行延迟检查步骤,Rmader即使在通信延迟下也能够保证安全。Rmader通过广泛的仿真和硬件飞行实验得到了验证,并获得了100%的无碰撞轨迹生成成功率,表现优于最先进的方法。
translated by 谷歌翻译
四型是敏捷平台。对于人类专家,他们可以在混乱的环境中进行极高的高速航班。但是,高速自主飞行仍然是一个重大挑战。在这项工作中,我们提出了一种基于走廊约束的最小控制工作轨迹优化(MINCO)框架的运动计划算法。具体而言,我们使用一系列重叠球来表示环境的自由空间,并提出了两种新型设计,使算法能够实时计划高速四轨轨迹。一种是一种基于采样的走廊生成方法,该方法在两个相邻球之间生成具有大型重叠区域(因此总走廊大小)的球体。第二个是一个后退的地平线走廊(RHC)策略,其中部分生成的走廊在每个补给中都重复使用。这两种设计一起,根据四极管的当前状态扩大走廊的空间,因此使四极管可以高速操纵。我们根据其他最先进的计划方法基准了我们的算法,以显示其在模拟中的优势。还进行了全面的消融研究,以显示这两种设计的必要性。最终在木材环境中对自动激光雷达四型二次无人机进行了评估,该方法的飞行速度超过13.7 m/s,而没有任何先前的环境或外部定位设施图。
translated by 谷歌翻译
导航动态环境要求机器人生成无碰撞的轨迹,并积极避免移动障碍。大多数以前的作品都基于一个单个地图表示形式(例如几何,占用率或ESDF地图)设计路径计划算法。尽管他们在静态环境中表现出成功,但由于地图表示的限制,这些方法无法同时可靠地处理静态和动态障碍。为了解决该问题,本文提出了一种利用机器人在板载视觉的基于梯度的B-Spline轨迹优化算法。深度视觉使机器人能够基于体素图以几何形式跟踪和表示动态对象。拟议的优化首先采用基于圆的指南算法,以近似避免静态障碍的成本和梯度。然后,使用视觉检测的移动对象,我们的后水平距离场同时用于防止动态碰撞。最后,采用迭代重新指导策略来生成无碰撞轨迹。仿真和物理实验证明,我们的方法可以实时运行以安全地导航动态环境。
translated by 谷歌翻译
在本文中,我们提出了一种在动态环境中进行多动能计划的新方法。环境被表示为时间占用网格,它赋予了所有障碍的当前以及未来/预测状态。该方法基于以前的安全走廊生成和多旋转计划的工作,以避免移动和静态障碍。它首先生成了目标的全球途径,该途径没有考虑到环境的动态方面。然后,我们使用时间安全走廊来生成机器人将来可以在离散瞬间进入的安全空间。最后,我们在优化公式中使用了时间安全走廊,该公式说明了多电流动力学以及所有障碍,以生成由多旋翼控制器执行的轨迹。我们在模拟中显示了我们方法的性能。
translated by 谷歌翻译
Despite recent progress on trajectory planning of multiple robots and path planning of a single tethered robot, planning of multiple tethered robots to reach their individual targets without entanglements remains a challenging problem. In this paper, we present a complete approach to address this problem. Firstly, we propose a multi-robot tether-aware representation of homotopy, using which we can efficiently evaluate the feasibility and safety of a potential path in terms of (1) the cable length required to reach a target following the path, and (2) the risk of entanglements with the cables of other robots. Then, the proposed representation is applied in a decentralized and online planning framework that includes a graph-based kinodynamic trajectory finder and an optimization-based trajectory refinement, to generate entanglement-free, collision-free and dynamically feasible trajectories. The efficiency of the proposed homotopy representation is compared against existing single and multiple tethered robot planning approaches. Simulations with up to 8 UAVs show the effectiveness of the approach in entanglement prevention and its real-time capabilities. Flight experiments using 3 tethered UAVs verify the practicality of the presented approach.
translated by 谷歌翻译
由于多重冲突目标和非凸起约束上升的数值问题,快速生成无人机的最佳追逐动态,以遵循障碍物之间的动态目标是挑战。本研究建议解决具有融合的快速可靠的管道的困难,该管道包含1)目标运动预测和2)追逐计划者。它们基于采样和检查方法,包括生成高质量候选基元和具有光计算负荷的可行性测试。我们通过选择由过去观察构建的一组候选者中选择最佳预测来预测目标的运动。基于预测,我们构建了一组预期追逐轨迹,其减少了高阶导数,同时从预测的目标运动保持所需的相对距离。然后,候选轨迹在追逐者的安全性和朝向目标的可视性上进行测试,而不会逼近约束。在涉及动态障碍的具有挑战性的情况下,彻底评估了所提出的算法。此外,从目标识别到追逐运动规划的整体过程在无人机上完全实施,展示了现实世界的适用性。
translated by 谷歌翻译
作为自动驾驶系统的核心部分,运动计划已受到学术界和行业的广泛关注。但是,由于非体力学动力学,尤其是在存在非结构化的环境和动态障碍的情况下,没有能够有效的轨迹计划解决方案能够为空间周期关节优化。为了弥合差距,我们提出了一种多功能和实时轨迹优化方法,该方法可以在任意约束下使用完整的车辆模型生成高质量的可行轨迹。通过利用类似汽车的机器人的差异平坦性能,我们使用平坦的输出来分析所有可行性约束,以简化轨迹计划问题。此外,通过全尺寸多边形实现避免障碍物,以产生较少的保守轨迹,并具有安全保证,尤其是在紧密约束的空间中。我们通过最先进的方法介绍了全面的基准测试,这证明了所提出的方法在效率和轨迹质量方面的重要性。现实世界实验验证了我们算法的实用性。我们将发布我们的代码作为开源软件包,目的是参考研究社区。
translated by 谷歌翻译
本文着重于影响弹性的移动机器人的碰撞运动计划和控制的新兴范式转移,并开发了一个统一的层次结构框架,用于在未知和部分观察的杂物空间中导航。在较低级别上,我们开发了一种变形恢复控制和轨迹重新启动策略,该策略处理可能在本地运行时发生的碰撞。低级系统会积极检测碰撞(通过内部内置的移动机器人上的嵌入式霍尔效应传感器),使机器人能够从其内部恢复,并在本地调整后影响后的轨迹。然后,在高层,我们提出了一种基于搜索的计划算法,以确定如何最好地利用潜在的碰撞来改善某些指标,例如控制能量和计算时间。我们的方法建立在A*带有跳跃点的基础上。我们生成了一种新颖的启发式功能,并进行了碰撞检查和调整技术,从而使A*算法通过利用和利用可能的碰撞来更快地收敛到达目标。通过将全局A*算法和局部变形恢复和重新融合策略以及该框架的各个组件相结合而生成的整体分层框架在模拟和实验中都经过了广泛的测试。一项消融研究借鉴了与基于搜索的最先进的避免碰撞计划者(用于整体框架)的链接,以及基于搜索的避免碰撞和基于采样的碰撞 - 碰撞 - 全球规划师(对于更高的较高的碰撞 - 等级)。结果证明了我们的方法在未知环境中具有碰撞的运动计划和控制的功效,在2D中运行的一类撞击弹性机器人具有孤立的障碍物。
translated by 谷歌翻译
在本文中,我们解决了未知和非结构化环境中在线四型全身运动计划(SE(3)计划)的问题。我们提出了一种新颖的多分辨率搜索方法,该方法发现了需要完整的姿势计划和仅需要位置计划的正常区域的狭窄区域。结果,将四型计划问题分解为几个SE(3)(如有必要)和R^3子问题。为了飞过发现的狭窄区域,提出了一个精心设计的狭窄区域的走廊生成策略,这大大提高了计划的成功率。总体问题分解和分层计划框架大大加速了计划过程,使得可以在未知环境中进行完全的板载感应和计算在线工作。广泛的仿真基准比较表明,所提出的方法的数量级比计算时间中最先进的方法快,同时保持高计划成功率。最终将所提出的方法集成到基于激光雷达的自主四旋转器中,并在未知和非结构化环境中进行了各种现实世界实验,以证明该方法的出色性能。
translated by 谷歌翻译
轨迹重新恢复是导航动态环境的多机器人团队的关键问题。我们呈现RLSS(使用线性空间分离重新恢复):用于合作多机器人团队的实时轨迹重新算法,该团队使用线性空间分离来强制执行安全性。我们的算法显式处理机器人的动态限制,完全分布,并且对环境变化,机器人故障和轨迹跟踪错误很健康。它不需要机器人之间的通信,并且仅依赖于仅在局部相对测量上。我们展示了算法在模拟中实时工作,并使用物理机器人实验。我们将算法基于模型预测控制的最先进的在线轨迹生成算法,并显示了我们的算法导致高度约束环境中的碰撞显着较少,并有效地避免死锁。
translated by 谷歌翻译
在本文中,我们提出了一个新的框架,用于对未知环境的多代理协作探索。提出的方法结合了映射,安全走廊生成和多代理计划中的最新算法。它首先需要我们要探索的卷,然后继续为多个代理提供不同的目标,以探索该卷的体素网格。当所有体素被发现为自由或占据时,探索结束,或者没有发现其余未发现的体素的路径。最先进的计划算法使用时间认知的安全走廊来确保机体内碰撞安全以及静态障碍的安全性。提出的方法以最多4个代理商的最高模拟器状态进行了测试。
translated by 谷歌翻译
Motion planning is challenging for autonomous systems in multi-obstacle environments due to nonconvex collision avoidance constraints. Directly applying numerical solvers to these nonconvex formulations fails to exploit the constraint structures, resulting in excessive computation time. In this paper, we present an accelerated collision-free motion planner, namely regularized dual alternating direction method of multipliers (RDADMM or RDA for short), for the model predictive control (MPC) based motion planning problem. The proposed RDA addresses nonconvex motion planning via solving a smooth biconvex reformulation via duality and allows the collision avoidance constraints to be computed in parallel for each obstacle to reduce computation time significantly. We validate the performance of the RDA planner through path-tracking experiments with car-like robots in simulation and real world setting. Experimental results show that the proposed methods can generate smooth collision-free trajectories with less computation time compared with other benchmarks and perform robustly in cluttered environments.
translated by 谷歌翻译
多机器人运动计划(MRMP)是在运动动力学约束下针对在环境中作用的多个机器人的非缩进轨迹的基本问题。由于其复杂性,现有算法要么利用简化的假设或不完整。这项工作引入了基于动力学冲突的搜索(K-CB),这是一种分散的(分离)MRMP算法,是一般,可扩展性和概率完成的。该算法从成功的解决方案到MRMP的离散类似物(被称为多试路径查找(MAPF))具有灵感。具体来说,我们将基于冲突的搜索(CBS)(一种流行的分散MAPF算法)调整为MRMP设置。这种适应的新颖性是我们直接在连续领域工作,而无需离散化。特别是,动力动力学的约束在本地进行治疗。 K-CBS计划使用低级规划师分别为每个机器人计划,并通过定义单个机器人的约束来解决机器人之间的冲突树以解决机器人之间的碰撞。低水平的计划者可以是用于运动动力学机器人的任何基于采样的树搜索算法,从而将单个机器人的现有计划者提升为多机器人设置。我们表明,K-CBS继承了低级计划者的(概率)完整性。我们说明了在几个案例研究和基准测试中K-CB的一般性和性能。
translated by 谷歌翻译
在本文中,我们为多机器人系统提供了一种分散和无通信的碰撞避免方法,该系统考虑了机器人定位和感测不确定性。该方法依赖于计算每个机器人的不确定感知安全区域,以在高斯分布的不确定性的假设下在环境中导航的其他机器人和环境中的静态障碍物。特别地,在每次步骤中,我们为每个机器人构建一个机器人约束的缓冲不确定性感知的voronoI细胞(B-UAVC)给出指定的碰撞概率阈值。通过将每个机器人的运动约束在其对应的B-UAVC内,即机器人和障碍物之间的碰撞概率仍然可以实现概率碰撞避免。所提出的方法是分散的,无通信,可扩展,具有机器人的数量和机器人本地化和感测不确定性的强大。我们将方法应用于单积分器,双积分器,差动驱动机器人和具有一般非线性动力学的机器人。对地面车辆,四轮车和异质机器人团队进行广泛的模拟和实验,以分析和验证所提出的方法。
translated by 谷歌翻译
通常,可以将最佳运动计划作为本地和全球执行。在这样的计划中,支持本地或全球计划技术的选择主要取决于环境条件是动态的还是静态的。因此,最适当的选择是与全球计划一起使用本地计划或本地计划。当设计最佳运动计划是本地或全球的时,要记住的关键指标是执行时间,渐近最优性,对动态障碍的快速反应。与其他方法相比,这种计划方法可以更有效地解决上述目标指标,例如路径计划,然后进行平滑。因此,这项研究的最重要目标是分析相关文献,以了解运动计划,特别轨迹计划,问题,当应用于实时生成最佳轨迹的多局部航空车(MAV),影响力(MAV)时如何提出问题。列出的指标。作为研究的结果,轨迹计划问题被分解为一组子问题,详细列出了解决每个问题的方法列表。随后,总结了2010年至2022年最突出的结果,并以时间表的形式呈现。
translated by 谷歌翻译
共享工作空间中无线轨迹的生成对于大多数多机器人应用程序至关重要。但是,许多基于模型预测控制(MPC)的广泛使用的方法缺乏基础优化的可行性的理论保证。此外,当以分布式的方式应用无中央协调员时,僵局通常会无限期地互相阻挡。尽管存在诸如引入随机扰动之类的启发式方法,但没有进行深入的分析来验证这些措施。为此,我们提出了一种系统的方法,称为Infinite-Horizo​​n模型预测性控制,并通过死锁解决。 MPC用警告范围对拟议的修改后的Voronoi进行了配方,作为凸优化。基于此公式,对僵局的状况进行了正式分析,并证明与力平衡相似。提出了一个检测分辨率方案,该方案可以在甚至在发生之前有效地在网上检测到僵局,并且一旦检测到,便利用自适应分辨率方案来解决僵局,并在绩效上进行理论保证。此外,所提出的计划算法可确保在输入和模型约束下每个时间步骤的基础优化的递归可行性,对于所有机器人都是并发的,并且只需要本地通信。全面的模拟和实验研究是通过大规模多机器人系统进行的。与其他最先进的方法相比,尤其是在拥挤和高速场景中,成功率的显着提高了成功率。
translated by 谷歌翻译
避免碰撞需要在计划时间范围内进行权衡。根据规划师的不同,在给定地图更新的情况下,不能总是在不确定的环境中保证安全性。为了减轻策划者将车辆带到碰撞状态或车辆到达不可行的点的情况,我们提出了连续的碰撞检查算法。迫在眉睫的碰撞检查系统不断监视车辆的安全性,并计划了一个安全的轨迹,该轨迹将车辆带到观察到的地图内停止。我们在现实生活实验中以及模拟的随机堡垒和仓库环境中测试了我们提出的管道,并在现实生活实验中测试了我们的管道,我们证明,通过我们的方法,我们能够以至少90 \%的成功率来减轻碰撞。
translated by 谷歌翻译
By utilizing only depth information, the paper introduces a novel but efficient local planning approach that enhances not only computational efficiency but also planning performances for memoryless local planners. The sampling is first proposed to be based on the depth data which can identify and eliminate a specific type of in-collision trajectories in the sampled motion primitive library. More specifically, all the obscured primitives' endpoints are found through querying the depth values and excluded from the sampled set, which can significantly reduce the computational workload required in collision checking. On the other hand, we furthermore propose a steering mechanism also based on the depth information to effectively prevent an autonomous vehicle from getting stuck when facing a large convex obstacle, providing a higher level of autonomy for a planning system. Our steering technique is theoretically proved to be complete in scenarios of convex obstacles. To evaluate effectiveness of the proposed DEpth based both Sampling and Steering (DESS) methods, we implemented them in the synthetic environments where a quadrotor was simulated flying through a cluttered region with multiple size-different obstacles. The obtained results demonstrate that the proposed approach can considerably decrease computing time in local planners, where more trajectories can be evaluated while the best path with much lower cost can be found. More importantly, the success rates calculated by the fact that the robot successfully navigated to the destinations in different testing scenarios are always higher than 99.6% on average.
translated by 谷歌翻译