高维机器人的机会受限运动计划系统

麻省理工学院计算机科学和人工智能实验室的研究人员最近开发了一种机会受限的运动计划系统，该系统可应用于运动不确定性以及状态信息不完善的情况下的高自由度(DOF)机器人。在arXiv上预先发表的一篇论文中概述了他们的方法，可以找到满足用户指定的碰撞概率界限的可行轨迹。

进行这项研究的研究人员之一戴思雨对TechXplore表示：“这项工作的主要灵感是受现有机会受限运动计划者的限制。” “我发现许多最先进的运动计划器要求将障碍物化为凸形，这对于高范围领域的计划(例如机械手运动计划)是不可行的。其他受机会限制的主流运动计划器都基于快速发展探索随机树(RRT)方法，其中高维计划任务的速度非常重要。”

为了解决现有运动计划系统的局限性，Dai和她的同事着手开发一种快速反应且受机会限制的运动计划器。这样的运动计划器对于完成受严重干扰和有限观察(例如水下操纵)的任务的机器人特别有用。

他们创建的概率Chekov(p-Chekov)系统基于他们先前在确定性运动计划中的工作，该计划将轨迹优化集成到了稀疏的路线图框架中。P-Chekov使用线性二次高斯运动规划方法来估计机器人的状态概率分布。然后，将正交理论应用于路点碰撞风险估计，并调整风险分配方法，以将可允许的故障概率分配给路点。

“我们开发的机会受限运动计划系统包括确定性计划组件和风险评估组件，”戴解释说。“确定性组件首先根据环境信息构建由可行，无碰撞的边组成的路线图。在在线规划任务中，然后从路线图中搜索可行轨迹，并使用轨迹优化器对其进行平滑。然后将此轨迹传递到风险评估组件中，该组件基于噪声的估计来评估碰撞的风险。”