多机器人系统通过整体对应物提供增强的能力,但它们以增加的协调复杂化。为了减少复杂性并使文献中的多机器人运动规划(MRMP)方法采用牺牲最优性或动态可行性的解耦方法采用解耦方法。在本文中,我们提出了一种凸起方法,即“抛物线弛豫”,为所有机器人的耦合关节空间中MRMP产生最佳和动态可行的轨迹。我们利用建议的放松来解决问题复杂性,并在极端集群环境中规划超过一百个机器人的计算途径。我们采取了一种多级优化方法,包括i)数学地配制MRMP作为非凸优化,II)将问题提升到更高的尺寸空间,III)通过所提出的计算有效的抛物线松弛和IV凸出问题。使用迭代搜索惩罚,以确保对原始问题的可行性和近最佳解决方案的可行性和恢复。我们的数值实验表明,所提出的方法能够在比最先进的成功率上具有更高成功率的挑战运动规划问题的最佳和动态可行的轨迹,但在高度密集的环境中,在一百个机器人中仍然在计算上仍然在计算上。 。
translated by 谷歌翻译
有效的轨迹优化对于避免非结构化环境中的碰撞至关重要,但在解决方案中具有速度和质量仍然具有挑战性。一个原因是二阶最优性需要计算Hessian矩阵,这些矩阵可以使用$ O(n ^ 2)$与航点的数量一起生长。减少航点可以二次降低计算时间。不幸的是,更少的航点导致较低的质量轨迹,可能无法避免碰撞。要拥有密集的航点和计算时间,我们从最近的共识优化研究中获取了灵感,并提出了分布式配方的搭配轨迹优化。它将长期轨迹分成几个段,其中每个段都成为几个航路点的子问题。这些子问题是经典的,但并行解决,并且解决方案与共识约束融合到单个轨迹中,这通过共识更新来强制段的连续性。利用该方案,二次复杂性分布在每个段中,并通过更密集的航点来解决高质量的轨迹。此外,所提出的配方可以使用任何现有的轨迹优化器来解决子问题。我们比较我们对领先运动规划算法的轨迹分裂的实现的性能,并展示了我们方法的改进的计算效率。
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
我们考虑针对翻译不变的动态系统的时间 - 最佳运动计划,该属性适用于许多移动机器人,例如差速器,汽车,飞机和多旋转器。我们的关键见解是,当与优化共生时,我们可以将图形搜索算法扩展到连续情况。对于图形搜索,我们引入了不连续性的A*(DB-A*),这是A*算法的概括,该算法使用了基于采样计划者的概念和数据结构。 db-a*重复使用短轨迹,所谓的运动原语作为边缘,并允许在顶点处最大的用户指定的不连续性。这些轨迹是通过轨迹优化在局部修复的,这也提供了新的改进的运动原语。我们的新型动力学运动计划者KMP-DB-A*几乎具有渐近的最佳行为,并迅速计算了近乎最佳的解决方案。对于我们的经验验证,我们提供了第一个基准,该基准测试在不同设置中的多个动态系统上比较搜索,采样和基于优化的时间 - 最佳运动计划。与基线相比,KMP-DB-A*始终求解更多的问题实例,找到较低成本的初始解决方案并更快地收敛。
translated by 谷歌翻译
基于最佳抽样的运动计划和轨迹优化是两个竞争框架,以生成最佳运动计划。这两个框架都有互补的属性:基于抽样的计划者通常会趋于趋势,但提供最佳保证。但是,轨迹优化器通常很快就可以收敛,但在非凸问题中不提供全局最佳保证,例如场景有障碍。为了达到两全其美,我们介绍了一个新的计划者Bitkomo,该计划者将渐近最佳的批处理知识树(BIT*)计划者与K-order Markov优化(KOMO)轨迹优化框架集成在一起。我们的计划者随时随地,并保持BIT*提供的相同的渐近优化性保证,同时还利用KOMO轨迹优化器的快速收敛性。我们在实验中评估了我们的计划者在涉及高维配置空间的操作场景方面,最多有两个7-DOF操纵器,障碍物和狭窄的通道。即使Komo失败,Bitkomo的表现也比Komo更好,并且在收敛到最佳解决方案方面,它的表现优于Bit*。
translated by 谷歌翻译
基于采样的运动计划者,例如RRT*和BIT*,当应用于运动动力运动计划时,依靠转向功能来生成连接采样状态的时间优势解决方案。实施精确的转向功能需要针对时间最佳控制问题的分析解决方案,或者非线性编程(NLP)求解器以鉴于系统的动力学方程式解决边界值问题。不幸的是,对于许多实际域而言,分析解决方案不可用,而NLP求解器在计算上非常昂贵,因此快速且最佳的动力动力运动计划仍然是一个开放的问题。我们通过引入状态监督转向功能(S3F)来提供解决此问题的解决方案,这是一种学习时间优势转向功能的新方法。 S3F能够比其NLP对应物更快地为转向函数的数量级产生近乎最佳的解决方案。在三个具有挑战性的机器人域进行的实验表明,使用S3F的RRT*在解决方案成本和运行时都显着优于最先进的计划方法。我们进一步提供了RRT*修改以使用S3F的概率完整性的证明。
translated by 谷歌翻译
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
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
反向运动学(IK)是找到满足一个或多个末端效应器的位置或姿势的限制的机器人联合配置的问题。对于具有冗余自由度的机器人,通常存在无限,不透露的解决方案。当通过工作空间中的障碍施加碰撞限制时,IK问题进一步复杂。通常,不存在产生可行配置的闭合表达,促使使用数值解决方案方法。然而,这些方法依赖于局部优化非凸起问题,通常需要准确的初始化或许多重新初始化来收敛到有效的解决方案。在这项工作中,我们首先将复杂的工作空间约束制定逆运动学,作为凸的可行性问题,其低级可行点提供精确的IK解决方案。然后,我们呈现\ texttt {cidgik}(距离 - 几何反向运动学的凸迭代),这是一种解决这种可行性问题的算法,其具有旨在鼓励低秩最小化的半导体级程序的序列。我们的问题制定优雅地统一机器人的配置空间和工作空间约束:内在机器人几何形状和避免避免都表示为简单的线性矩阵方程和不等式。我们对各种流行的操纵器模型的实验结果比传统的非线性优化的方法更快,更准确的会聚,特别是在具有许多障碍的环境中。
translated by 谷歌翻译
对于一般二次约束二次编程(QCQP),我们提出了一种用凸二次约束描述的抛物线弛豫。抛物线弛豫的一个有趣的特性是原始的非凸起可行集包含在抛物线弛豫的边界上。在某些假设下,该财产使人们能够通过客观惩罚恢复近乎最理想的可行点。此外,通过对需要一次性计算的最佳基础计算的适当更改,可以使易于解决的抛物线释放放松与半决赛编程(SDP)放松一样强大,这可以有效地意识到算法,这些算法可以使得算法有效需要解决一系列凸替代物。这项工作的下一部分给出了大多数理论和计算结果[57]。
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
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
本文提出了一个基于抽样的运动计划者,该计划将RRT*(迅速探索随机树星)集成到预计运动原始图的数据库中,以减轻其计算负载,并允许在动态或部分已知的环境中进行运动计划。该数据库是通过在某些网格空间中考虑一组初始状态和最终状态对来构建的,并确定每个对与系统动力学和约束兼容的最佳轨迹,同时最小化成本。通过在网格状态空间中提取样品并在数据库中选择将其连接到现有节点的数据库中的最佳无障碍运动原始性,将节点逐渐添加到RRT*算法中可行轨迹树中的节点。如果可以通过无障碍的运动原始的原始较低的成本从新的采样状态达到一些节点,则树将重新接线。因此,运动计划的计算更密集的部分被移至数据库构建的初步离线阶段(以网格造成的某些性能退化为代价。可以对网格分辨率进行调整,以便在数据库的最优性和大小之间妥协。由于网格分辨率为零,并且采样状态的数量增长到无穷大,因此规划器被证明是渐近的最佳选择。
translated by 谷歌翻译
Continuous formulations of trajectory planning problems have two main benefits. First, constraints are guaranteed to be satisfied at all times. Secondly, dynamic obstacles can be naturally considered with time. This paper introduces a novel B-spline based trajectory optimization method for multi-jointed robots that provides a continuous trajectory with guaranteed continuous constraints satisfaction. At the core of this method, B-spline basic operations, like addition, multiplication, and derivative, are rigorously defined and applied for problem formulation. B-spline unique characteristics, such as the convex hull and smooth curves properties, are utilized to reformulate the original continuous optimization problem into a finite-dimensional problem. Collision avoidance with static obstacles is achieved using the signed distance field, while that with dynamic obstacles is accomplished via constructing time-varying separating hyperplanes. Simulation results on various robots validate the effectiveness of the algorithm. In addition, this paper provides experimental validations with a 6-link FANUC robot avoiding static and moving obstacles.
translated by 谷歌翻译
解决逆运动学问题是针对清晰机器人的运动计划,控制和校准的基本挑战。这些机器人的运动学模型通常通过关节角度进行参数化,从而在机器人构型和最终效果姿势之间产生复杂的映射。或者,可以使用机器人附加点之间的不变距离来表示运动学模型和任务约束。在本文中,我们将基于距离的逆运动学的等效性和大量铰接式机器人和任务约束的距离几何问题进行形式化。与以前的方法不同,我们使用距离几何形状和低级别矩阵完成之间的连接来通过局部优化完成部分欧几里得距离矩阵来找到逆运动学解决方案。此外,我们用固定级革兰氏矩阵的Riemannian歧管来参数欧几里得距离矩阵的空间,从而使我们能够利用各种成熟的Riemannian优化方法。最后,我们表明,绑定的平滑性可用于生成知情的初始化,而无需大量的计算开销,从而改善收敛性。我们证明,我们的逆运动求解器比传统技术获得更高的成功率,并且在涉及许多工作区约束的问题上大大优于它们。
translated by 谷歌翻译
增强学习(RL)在接触式操纵中的经验成功(RL)从基于模型的角度来理解了很多待理解,其中关键困难通常归因于(i)触点模式的爆炸,(ii)僵硬,非平滑接触动力学和由此产生的爆炸 /不连续梯度,以及(iii)计划问题的非转换性。 RL的随机性质通过有效采样和平均接触模式来解决(i)和(ii)。另一方面,基于模型的方法通过分析平滑接触动力学来解决相同的挑战。我们的第一个贡献是建立两种方法的简单系统方法的理论等效性,并在许多复杂示例上提供定性和经验的等效性。为了进一步减轻(II),我们的第二个贡献是凸面的凸面,可区分和准动力的触点动力学表述,这两个方案都可以平滑方案,并且通过实验证明了对接触富含接触的计划非常有效。我们的最终贡献解决了(III),在其中我们表明,当通过平滑度抽取接触模式时,基于经典的运动计划算法在全球计划中可以有效。将我们的方法应用于具有挑战性的接触式操纵任务的集合中,我们证明了基于模型的有效运动计划可以实现与RL相当的结果,而计算却大大较少。视频:https://youtu.be/12ew4xc-vwa
translated by 谷歌翻译
As robotic systems continue to address emerging issues in areas such as logistics, mobility, manufacturing, and disaster response, it is increasingly important to rapidly generate safe and energy-efficient trajectories. In this article, we present a new approach to plan energy-optimal trajectories through cluttered environments containing polygonal obstacles. In particular, we develop a method to quickly generate optimal trajectories for a double-integrator system, and we show that optimal path planning reduces to an integer program. To find an efficient solution, we present a distance-informed prefix search to efficiently generate optimal trajectories for a large class of environments. We demonstrate that our approach, while matching the performance of RRT* and Probabilistic Road Maps in terms of path length, outperforms both in terms of energy cost and computational time by up to an order of magnitude. We also demonstrate that our approach yields implementable trajectories in an experiment with a Crazyflie quadrotor.
translated by 谷歌翻译
本文考虑了安全协调一个配备传感器的机器人团队的问题,以减少有关动态过程的不确定性,而该过程将使目标消除信息增益和能源成本。优化这种权衡是可取的,但是在机器人轨迹集中导致非占主酮目标函数。因此,基于协调下降的普通多机器人计划者失去了其性能保证。此外,处理非单调性的方法在受到机器人间碰撞避免约束时会失去其性能保证。由于需要保留性能保证和安全保证,这项工作提出了一种分布式计划者的层次结构方法,该方法使用本地搜索,并根据控制屏障功能提供了基于控制屏障功能的当地搜索和分散的控制器,以确保安全并鼓励及时到达传感位置。通过大量的模拟,硬件测试和硬件实验,我们证明了所提出的方法比基于坐标下降的算法在感应和能源成本之间取得更好的权衡。
translated by 谷歌翻译
在这项工作的第一部分[32]中,我们引入了针对二次约束二次程序的凸抛物线松弛,以及依次惩罚的抛物线释放算法,以恢复近乎最佳的可行解决方案。在第二部分中,我们表明,从可行的解决方案或满足某些规律性条件的近乎可行的解决方案开始,顺序惩罚的抛物线弛豫算法的收敛到满足Karush-Kuhn-tucker优化条件的点。接下来,我们介绍了基准非凸口QCQP问题的数值实验以及系统识别问题的大规模实例,证明了所提出的方法的效率。
translated by 谷歌翻译
我们为非全面移动机器人设计了MPC方法,并在分析上表明,随着时间的变化,线性化的系统可以在跟踪任务中的来源周围产生渐近稳定性。为了避免障碍物,我们提出了速度空间中的约束,该约束根据当前状态明确耦合两个控件输入。
translated by 谷歌翻译