Dynamic Planning for Sequential Whole-body Mobile Manipulation
作者: Zhitian Li, Yida Niu, Yao Su, Hangxin Liu, Ziyuan Jiao
分类: cs.RO
发布日期: 2024-05-24 (更新: 2024-06-21)
备注: technical issue, withdraw all the versions
💡 一句话要点
提出基于虚拟运动链的动态序列式移动操作规划框架，解决动态环境中移动操作机器人的长期任务规划和实时运动生成问题。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control) 支柱四：生成式动作 (Generative Motion) 支柱七：动作重定向 (Motion Retargeting) 支柱八：物理动画 (Physics-based Animation)
关键词: 移动操作 动态规划 虚拟运动链 全身运动规划 模型预测控制
📋 核心要点
- 现有移动操作规划方法难以兼顾长期任务规划和实时运动生成，无法有效应对动态环境中的复杂任务。
- 本文提出基于虚拟运动链的动态序列式移动操作规划框架，实现长期任务规划和反应式全身运动生成。
- 实验结果表明，该框架在动态环境中能够有效完成序列式移动操作任务，并具备应对人为干扰的能力。
📝 摘要（中文）
本文提出了一种动态序列式移动操作规划（SMMP）框架，对于移动操作机器人在动态环境中安全可靠地运行至关重要。以往的研究主要集中在运动层面或任务层面的动态规划，分别在处理具有长期影响的状态变化或为多样化任务生成响应式运动方面存在局限性。本文提出了一个整体的动态规划框架，扩展了基于虚拟运动链（VKC）的SMMP方法，实现了动态长期任务规划的自动化以及针对SMMP问题的反应式全身运动生成。该框架包括一个在线任务规划模块，旨在响应具有长期影响的环境变化；一个基于VKC的全身运动规划模块，用于操作刚性和铰接物体；以及一个反应式模型预测控制（MPC）模块，用于执行过程中的避障。仿真和真实世界的实验验证了该框架，证明了其在序列式移动操作任务中的有效性和正确性，即使在涉及人为干扰的情况下也是如此。
🔬 方法详解
问题定义：现有的移动操作规划方法通常侧重于运动层面或任务层面，难以同时处理具有长期影响的状态变化和生成对多样化任务具有响应性的运动。这导致移动操作机器人在动态环境中执行复杂序列任务时，鲁棒性和安全性受到限制。
核心思路：本文的核心思路是将任务规划和运动规划相结合，通过在线任务规划模块响应环境变化，并利用基于虚拟运动链（VKC）的全身运动规划模块生成操作刚性和铰接物体的运动。同时，采用反应式模型预测控制（MPC）模块进行实时避障，从而实现动态环境下的安全可靠操作。
技术框架：该框架包含三个主要模块：1) 在线任务规划模块：负责根据环境变化进行长期任务规划；2) 基于VKC的全身运动规划模块：用于生成操作刚性和铰接物体的全身运动；3) 反应式MPC模块：在执行过程中进行实时避障。整体流程是，在线任务规划模块根据环境变化更新任务序列，VKC运动规划模块生成相应的全身运动轨迹，MPC模块在执行过程中实时调整轨迹以避开障碍物。
关键创新：该框架的关键创新在于将长期任务规划、全身运动规划和实时避障相结合，形成一个完整的动态规划框架。通过VKC方法，能够有效地处理复杂物体的操作，并利用MPC实现反应式避障，从而提高了移动操作机器人在动态环境中的鲁棒性和安全性。
关键设计：VKC的构建方式和MPC的参数设置是关键设计。VKC需要根据操作对象的几何和运动学特性进行设计，以保证运动规划的有效性。MPC的参数，如预测时域、控制时域、权重系数等，需要根据具体的任务和环境进行调整，以实现最佳的避障效果。
🖼️ 关键图片
📊 实验亮点
论文通过仿真和真实世界的实验验证了该框架的有效性。实验结果表明，该框架能够在动态环境中成功完成序列式移动操作任务，并且能够有效地应对人为干扰。具体的性能数据（如任务完成时间、避障成功率等）和与其他基线方法的对比结果（如果有）在论文中进行了详细展示，证明了该框架的优越性。
🎯 应用场景
该研究成果可应用于仓储物流、智能制造、家庭服务等领域。例如，在动态变化的仓库环境中，移动操作机器人可以利用该框架自主完成货物的拣选、搬运和放置等任务。在智能制造场景中，可以用于装配线上复杂零部件的装配。在家庭服务中，可以帮助机器人完成物品整理、清洁等任务，提升机器人的自主性和适应性。
📄 摘要（原文）
The dynamic Sequential Mobile Manipulation Planning (SMMP) framework is essential for the safe and robust operation of mobile manipulators in dynamic environments. Previous research has primarily focused on either motion-level or task-level dynamic planning, with limitations in handling state changes that have long-term effects or in generating responsive motions for diverse tasks, respectively. This paper presents a holistic dynamic planning framework that extends the Virtual Kinematic Chain (VKC)-based SMMP method, automating dynamic long-term task planning and reactive whole-body motion generation for SMMP problems. The framework consists of an online task planning module designed to respond to environment changes with long-term effects, a VKC-based whole-body motion planning module for manipulating both rigid and articulated objects, alongside a reactive Model Predictive Control (MPC) module for obstacle avoidance during execution. Simulations and real-world experiments validate the framework, demonstrating its efficacy and validity across sequential mobile manipulation tasks, even in scenarios involving human interference.