Abstract

車両の自律航法は、典型的には２種類の方法を組み合わせる。すなわち、最初に経路が計画され、次にロボットが局所的障害物回避制御装置によって駆動される。経路計画に焦点を当てた本研究は、衝突検出のための効率的な方法として軌道パラメータ空間（TP空間）との統合を可能にするためによく知られている高速探索ランダムツリー（RRT）アルゴリズムへの拡張を提案した。任意の形状の車両のための自由で運動学的に可能な経路。オリジナルのRRTとは対照的に、この提案はedgeをすべて運動学的に実行可能な経路とし、純粋なリアクティブアルゴリズムによって駆動される車両が正確に追従するのに適した、ノードとしてポーズを持つナビゲーションツリーを生成します。初期の実験は、その厳しい運動学的制約を取り除くことができないアッカーマンステアリングビークルモデルによる方法の適合性を実証している。これまでの研究とは異なるこの重要な結果は、TP空間形式の下で効率的に行うことができるツリーを拡張するためにいくつかの潜在的な軌跡の系列を使用することが計画軌跡の最適性を改善するという発見です。参照C ++実装がオープンソースとしてリリースされました。

Introduction

信頼性の高い自律走行車と移動ロボットは、業界のあらゆる分野での潜在的な影響のための長い間求められてきた目標です。そのような目的を達成するために解決されなければならない複雑な問題のリストから、最も重要なことの一つは自律ナビゲーション、すなわち所望の目標に向かって自動車を運転することである。 Kiva倉庫ロボット[1]のような商業用の無人搬送車は長年産業環境で利用可能でしたが、それらはしばしば管理区域内での作業に制限されています。彼らは増加した操縦性のために差動ドライブ運動学を使います。これらの制限を回避することは非常に望ましく、したがって一般的に非円形の形状およびそれらの操縦性を厳しく制限するアッカーマンステアリングキネマティクスを有する工業用車両に実用的な自律走行をもたらすであろうからである。

自律航法のための技術は大きく2つのカテゴリに分けることができます：（i）ワークスペースに関するすべての利用可能な情報を一度に取るグローバルパスプランナー、および（ii）即座に感知されたデータだけが方法を決定するリアクティブアプローチ車両を制御します。純粋なリアクティブナビゲーション方法は、特にホロノミックプラットフォームにおいて、ロボットナビゲーションに対処するための信頼性と柔軟性を実証しています[5、6]。それらの実用的な有用性にもかかわらず、彼らは望ましい目標に向かって最適な道を見つけることを保証することはできません。実際、極小値は有効なパスが常に見つかるのを防ぎます。対照的に、経路計画の研究における努力は、通常最短経路という意味で、最適な軌跡の探索に焦点が当てられています[7]。そのような効率は犠牲になります：プランナーは典型的なオフィスのようなナビゲーションシナリオのために結果を出すために数秒を必要とするかもしれません。これは、環境内で検知された動的な変化に、通常は1ミリ秒以内にすばやく対応する反応的な方法の能力とは対照的です[8]。自律ナビゲーションのための現在のアーキテクチャは、グローバル（計画的）方法とローカル（反応的）方法とを融合させる傾向がある（例えば、ＲＯＳナビゲーション［９］およびＭｏｖｅＩｔ！ [7、10]。このようなシステムでは、ロボットは最初に計画を生成し、次にリアクティブナビゲータを使用して移動を開始します。実行中、グローバル計画は通常、バックグラウンドで実行され、リアルタイムでより良い計画を提供します。

1990年代の経路計画調査では、高速探索ランダムツリー（RRT）アルゴリズム[11]などのサンプリングベースのアルゴリズムの可能性が発見されました。これについては、セクション2.3で後述します。 RRT自体は他の研究者が拡張を提案するための出発点でした、例えば、Jacobs等。 [12]では効率のために木探索を並列化することを提案している。 [transition-based RRT]（T-RRT）と呼ばれるもう1つの改良が[13]に導入されました。そこでは、ランダムな探索段階を導くためにグローバルコストマップが使用されます。 RRTメソッドはさらに拡張され、多くの変種が生まれました。最も普及しているものの2つは、RRT * [14]とRRT-connect [15]です。

しかしながら、上記の方法のいずれも、アッカーマン駆動車のような運動学的な制約を本質的に考慮していない。

[16]に触発されて、キノダイナミクスRRT * [17]は2013年にそのような制約を含む興味深いRRT *拡張として提案されました。その研究によって表される大きな前進にもかかわらず、（平面自動車のものとしての）非線形の制約は近似的に満たされるだけであることに注意しなければならない。実世界の条件で作業するロボットは必ずしも正確な最適解を必要としないことに注意してください（計算コストのほんの一部で見つけることができる最適以下がうまくいくかもしれないので）、[18]のような最近の作品最適性と計算時間の間の妥協点としての最適に近い運動計画

この研究では、生成された経路に実際の車両が追従できない元のRRTとは対照的に、厳密な車両形状とその運動学的制約を暗黙的に認識している新しいRRTの変形を紹介します。我々のアルゴリズムは、任意の形状のロボットの純粋な反応型ナビゲーションを加速するために他の場所で導入された軌道パラメータ空間（TP空間）[8]変換を利用します[8、19]。したがって、非ホロノミック運動学的制約を無視または緩和し、円形または点状のロボットを仮定する以前のいくつかのリアクティブナビゲータおよびプランナとは異なり、本提案はそれらを完全に観察する。さらに、TP空間変換の基本的な特性は、過去に反応型ナビゲーションを改善することが実証されている機能であるセクション2.2で説明したように、軌道ファミリーの選択に応じてさまざまな方法でパラメータ化できることです。この論文で実験的に見いだされたように、それはまたRRTによって見つけられた経路の品質を改善する。このホワイトペーパーの残りの部分は、次のように構成されています。第2節では、TP空間の背後にある理論について説明し、古典的なRRTを紹介します。パラメータ化された空間で計画問題を解くための修正RRTアルゴリズムを3章で紹介する。次に、提案手法をアッカーマンステアリング車にどのように構成するかを議論し、5章で統計実験を行う。最後に、6章でいくつかの最終的な結論を導きます。

Creating Future Human Being Lab.

TP-Space RRT – Kinematic Path Planning of Non-Holonomic Any-Shape Vehicles

Abstract

Introduction