Core Concepts
Unser Ansatz kombiniert die Stärken von Kontrollbarriere-Funktionen für eine echtzeitfähige kollisionsvermeidende Steuerung und Rapidly-Exploring Random Trees für langfristige Bewegungsplanung, indem eine neuronale Kontrollbarriere-Funktion-basierte Steuerung verwendet wird, um das System zu den von RRT ausgewählten Konfigurationen zu lenken.
Abstract
Die Studie präsentiert einen neuen generalisierbaren Ansatz zur Bewegungsplanung für Robotermanipulatoren in überfüllten Umgebungen. Der Ansatz kombiniert die Vorteile von Kontrollbarriere-Funktionen (CBF) für eine echtzeitfähige kollisionsvermeidende Steuerung und Rapidly-Exploring Random Trees (RRT) für die langfristige Bewegungsplanung.
Dafür wird eine neuronale Kontrollbarriere-Funktion-induzierte Steuerung (CBF-INC) entwickelt, die in zwei Varianten vorliegt: eine, die den Zustand (Abstand zu Hindernissen) als Eingabe verwendet, und eine, die Punktwolken von LiDAR-Sensoren verarbeitet. Die CBF-INC-Steuerung wird dann in den RRT-Planungsalgorithmus integriert, um die Wahrscheinlichkeit erfolgreicher Knotenexpansionen zu erhöhen und so die Effizienz der Exploration zu steigern.
Im Vergleich zu manuell erstellten CBFs, die dazu neigen, die Robotergeometrie zu konservativ zu approximieren, kann die CBF-INC einen besseren Ausgleich zwischen Sicherheit und Zielerreichung finden. In Simulationsexperimenten mit 4D- und 7D-Manipulatoren zeigt der CBF-INC-RRT-Ansatz eine deutlich höhere Erfolgsquote und Effizienz gegenüber Basismethoden.
Stats
Die Erfolgsquote des CBF-INC-RRT-Ansatzes ist 14% höher als die des klassischen RRT-Ansatzes auf schwierigen Testfällen.
Die Anzahl der erkundeten Knoten ist beim CBF-INC-RRT-Ansatz 30% geringer als beim klassischen RRT-Ansatz auf schwierigen Testfällen.
Quotes
"Unser Ansatz kombiniert die Stärken von Kontrollbarriere-Funktionen für eine echtzeitfähige kollisionsvermeidende Steuerung und Rapidly-Exploring Random Trees für langfristige Bewegungsplanung, indem eine neuronale Kontrollbarriere-Funktion-basierte Steuerung verwendet wird, um das System zu den von RRT ausgewählten Konfigurationen zu lenken."
"Verglichen mit manuell erstellten CBFs, die dazu neigen, die Robotergeometrie zu konservativ zu approximieren, kann die CBF-INC einen besseren Ausgleich zwischen Sicherheit und Zielerreichung finden."