基於互補性的反應式機器人全身無碰撞運動合成

Core Concepts

本文提出了一種名為 FLIQC 的新型運動規劃器，它採用基於互補性的方法來生成機器人全身的無碰撞運動，並通過一系列凸優化問題的求解實現了高效的實時規劃。

Abstract

FLIQC 運動規劃器：基於互補性的反應式機器人全身無碰撞運動合成

書目資訊： Yao, H., Laha, R., Sinha, A., Hall, J., Figueredo, L. F. C., Chakraborty, N., & Haddadin, S. (2024). On the Synthesis of Reactive Collision-Free Whole-Body Robot Motions: A Complementarity-based Approach. arXiv preprint arXiv:2410.22049v1.
研究目標： 本文旨在開發一種快速、高效的局部任務空間規劃器，用於機器人在動態環境中進行全身無碰撞運動規劃。
方法：

採用基於互補性的方法來模擬機器人與障礙物之間的碰撞避免約束。
將局部反應式碰撞避免問題表述為一個帶有全身碰撞避免約束的優化問題，並通過求解一系列凸優化問題來解決這個非凸優化問題。
使用線性互補約束來模擬機器人連桿和障礙物表面之間的不可穿透性。
採用基於線性二次互補性問題 (LCQP) 的求解器 LCQPow 來有效地解決優化問題。
主要發現：

FLIQC 規劃器能夠在 1 kHz 的頻率下為現代協作機器人生成連續且具有反應性的運動計劃。
與現有的軌跡優化規劃器（如 CHOMP）和基於採樣的規劃器（如 Bi-RRT）相比，FLIQC 規劃器在路徑長度和平均關節運動方面表現出更好的性能。
即使在求解器提前終止的情況下，FLIQC 規劃器也能保證安全性。
主要結論：

基於互補性的方法為機器人全身無碰撞運動規劃提供了一種有效且高效的解決方案。
FLIQC 規劃器非常適合於在快速變化的環境中進行實時運動規劃。
論文貢獻：

提出了一種基於互補性的新型運動規劃器 FLIQC，用於機器人全身無碰撞運動規劃。
開發了一種基於 LCQP 的有效優化方法來解決運動規劃問題。
通過仿真和實際機器人實驗驗證了 FLIQC 規劃器的有效性。
限制和未來研究方向：

目前的實現僅限於簡單的幾何形狀（例如球體和圓柱體）。
未來的工作將包括整合視覺管道以進行障礙物跟踪，並考慮更複雜的幾何形狀。
未來還將探索將末端效應器約束納入規劃框架。

Stats

機器人安全邊界設定為 15 公分。
FLIQC 規劃器在模擬和實際機器人實驗中均以 1 kHz 的頻率運行。
在模擬實驗中，FLIQC 規劃器的平均路徑長度為 0.6287 公尺，平均關節運動為 0.00169 弧度。

Key Insights Distilled From

On the Synthesis of Reactive Collision-Free Whole-Body Robot Motions: A Complementarity-based Approach

by Haowen Yao, ... at arxiv.org 10-30-2024

https://arxiv.org/pdf/2410.22049.pdf

Deeper Inquiries

如何將 FLIQC 規劃器擴展到處理更複雜的機器人系統，例如具有多個機械臂或移動基座的機器人？

將 FLIQC 規劃器擴展到處理更複雜的機器人系統，例如具有多個機械臂或移動基座的機器人，需要克服以下幾個挑戰：

更高維度的配置空間： 多機械臂或移動基座機器人具有比單臂機器人更高的自由度，這導致配置空間維度增加，增加了規劃問題的複雜性。為了解決這個問題，可以採用以下方法：

分解規劃： 將整體規劃問題分解為較小的子問題，例如分別規劃每個機械臂的運動，然後協調它們的動作。
降維技術： 使用降維技術來簡化配置空間，例如使用任務空間規劃或將機器人運動限制在低維流形上。

更複雜的運動學和動力學約束： 多機械臂系統需要考慮機械臂之間的運動學約束，而移動基座機器人需要考慮基座的非完整約束。為了解決這個問題，可以採用以下方法：

約束優化： 將運動學和動力學約束納入優化問題的約束條件中。
基於樣本的規劃方法： 使用基於樣本的規劃方法，例如 RRT 或 PRM，在滿足約束的同時探索配置空間。

更複雜的碰撞檢測： 隨著機器人系統變得更加複雜，碰撞檢測的計算成本也會增加。為了解決這個問題，可以採用以下方法：

高效的碰撞檢測算法： 使用高效的碰撞檢測算法，例如基於層次包围盒 (Bounding Volume Hierarchy, BVH) 的算法。
並行計算： 利用多核 CPU 或 GPU 加速碰撞檢測。

除了上述挑戰之外，還需要考慮多機械臂或移動基座機器人的特定應用場景，例如協作操作、移動機器人導航等，並相應地調整 FLIQC 規劃器的目標函數和約束條件。

在處理非凸形障礙物或未知環境時，FLIQC 規劃器的性能如何？

FLIQC 規劃器在處理非凸形障礙物或未知環境時會面臨一些挑戰，其性能可能會受到影響：

非凸形障礙物： FLIQC 規劃器基於距離函數來計算機器人與障礙物之間的距離，而距離函數對於非凸形障礙物來說可能存在多個局部最小值。這可能導致規劃器陷入局部最優解，無法找到全局最優的路徑。

解決方案： 可以考慮使用更複雜的距離函數，例如基於 Minkowski 和的距離函數，或者使用其他表示非凸形障礙物的方法，例如基於導航函數的方法。

未知環境： FLIQC 規劃器需要預先知道環境地圖才能進行規劃，而在未知環境中，規劃器需要依靠傳感器感知環境信息。由於傳感器噪聲和感知範圍的限制，規劃器可能無法獲得準確完整的環境信息，從而導致規劃失敗或產生不安全的運動。

解決方案： 可以將 FLIQC 規劃器與其他技術相結合，例如基於學習的方法或基於搜索的規劃器，以提高其在未知環境中的性能。例如，可以使用基於學習的方法來預測未知區域的障礙物分佈，或者使用基於搜索的規劃器來探索未知區域並更新環境地圖。

總之，FLIQC 規劃器在處理非凸形障礙物或未知環境時會面臨一些挑戰，需要根據具體情況採用相應的解決方案來提高其性能。

FLIQC 規劃器能否與其他機器人控制和規劃技術（例如基於學習的方法或基於搜索的規劃器）相結合，以進一步提高機器人的性能？

是的，FLIQC 規劃器可以與其他機器人控制和規劃技術相結合，以進一步提高機器人的性能。以下是一些可能的結合方式：

與基於學習的方法結合：

學習距離函數： 可以使用深度學習等方法來學習更精確和高效的距離函數，特別是針對非凸形障礙物。
學習運動策略： 可以使用強化學習等方法來學習從傳感器數據到機器人控制命令的映射關係，從而實現端到端的運動規劃和控制。

與基於搜索的規劃器結合：

全局路徑規劃： 可以使用基於搜索的規劃器，例如 RRT 或 PRM，來生成全局路徑，然後使用 FLIQC 規劃器進行局部路徑調整和避障。
探索未知環境： 可以使用基於搜索的規劃器來探索未知環境，並將感知到的環境信息用於更新 FLIQC 規劃器的環境模型。

與其他控制技術結合：

阻抗控制： 可以將 FLIQC 規劃器生成的運動軌跡作為阻抗控制器的參考輸入，從而實現機器人與環境之間的柔順交互。
力/力矩控制： 可以使用力/力矩傳感器來檢測機器人與環境之間的接觸力，並將其反饋到 FLIQC 規劃器中，以調整機器人的運動軌跡。

通過與其他技術相結合，可以充分發揮 FLIQC 規劃器的優勢，同時克服其局限性，從而提高機器人的整體性能。例如，可以將 FLIQC 規劃器的快速反應能力與基於學習的方法的泛化能力相結合，或者將其局部規劃能力與基於搜索的規劃器的全局規劃能力相結合。