Motion Primitives Planning For Center-Articulated Vehicles
作者: Jiangpeng Hu, Fan Yang, Fang Nan, Marco Hutter
分类: cs.RO
发布日期: 2024-05-27 (更新: 2024-10-04)
备注: 8 pages, 9 figures
💡 一句话要点
针对中心铰接车辆，提出基于运动原语的规划方法，提升非结构化环境导航性能。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 运动规划 中心铰接车辆 运动原语 后退视界规划 自主导航 非结构化环境 机器人
📋 核心要点
- 非结构化环境的自主导航面临复杂障碍物和未知因素的挑战，需要兼顾敏捷性和效率的运动规划方法。
- 该方法通过离线生成运动原语，并结合启发式评分和后退视界规划，为中心铰接车辆选择最优路径。
- 实验结果表明，该方法在SPL指标上提升了67%，并在真实树木采伐车上验证了其有效性。
📝 摘要（中文）
本文提出了一种针对中心铰接车辆(CAV)的新型规划方法，该方法利用运动原语，并结合基于车载传感器的后退视界规划框架，旨在解决车辆在森林和建筑区域等非结构化地形中的自主导航问题。该方法首先离线生成运动原语，这些原语通过前向仿真反映了中心铰接车辆独特的运动学模型。随后，通过基于启发式的评分函数对这些原语进行评估，从而选择最适合实时导航的路径。为了应对扰动，本文还开发了一种针对中心铰接车辆运动学特性的姿态稳定控制器。实验结果表明，该方法在SPL（成功率加权路径长度）性能上比现有策略提高了67%。此外，通过在树木采伐车SAHA上的真实实验验证了其有效性。
🔬 方法详解
问题定义：论文旨在解决中心铰接车辆在非结构化环境中自主导航的问题。现有方法在复杂地形中难以兼顾运动学约束和规划效率，导致导航性能下降。特别是在缺乏预先构建地图的情况下，如何快速有效地生成安全可行的运动轨迹是一个关键挑战。
核心思路：论文的核心思路是利用预先生成的运动原语来简化规划过程，并结合后退视界规划框架进行实时路径选择。通过离线生成一系列符合车辆运动学约束的运动原语，可以在线快速评估和选择最优路径，从而提高规划效率和导航性能。
技术框架：该方法主要包含以下几个阶段：1) 离线运动原语生成：通过前向仿真，根据中心铰接车辆的运动学模型生成一系列运动原语。2) 启发式评分：设计一个基于启发式的评分函数，用于评估每个运动原语的优劣。3) 后退视界规划：在每个规划周期，利用车载传感器获取环境信息，然后根据评分函数选择最优的运动原语，并将其作为车辆的控制指令。4) 姿态稳定控制：设计一个姿态稳定控制器，用于抑制车辆在运动过程中的扰动，保证车辆的姿态稳定。
关键创新：该方法的关键创新在于将运动原语与后退视界规划相结合，并针对中心铰接车辆的运动学特性进行了优化。与传统的基于采样的规划方法相比，该方法可以显著提高规划效率和导航性能。此外，针对中心铰接车辆的姿态稳定控制器的设计也是一个重要的创新点。
关键设计：运动原语的生成依赖于车辆的运动学模型，需要仔细选择仿真参数，以保证生成的运动原语覆盖车辆可能的状态空间。启发式评分函数的设计需要综合考虑路径长度、障碍物距离、平滑度等因素。姿态稳定控制器的设计需要根据车辆的运动学特性进行调整，以保证控制器的稳定性和鲁棒性。
🖼️ 关键图片
📊 实验亮点
实验结果表明，该方法在SPL（成功率加权路径长度）性能上比现有策略提高了67%。此外，通过在真实树木采伐车SAHA上的实验验证了该方法的有效性。这些结果表明，该方法可以显著提高中心铰接车辆在非结构化环境中的自主导航性能。
🎯 应用场景
该研究成果可应用于林业、建筑、农业等领域的中心铰接车辆的自主导航。例如，可以用于树木采伐车的自动路径规划，提高采伐效率和安全性；也可以用于建筑工地的物料运输，降低人工成本和安全风险。此外，该方法还可以推广到其他类型的车辆，如履带式车辆、铰接式车辆等，具有广泛的应用前景。
📄 摘要（原文）
Autonomous navigation across unstructured terrains, including forests and construction areas, faces unique challenges due to intricate obstacles and the element of the unknown. Lacking pre-existing maps, these scenarios necessitate a motion planning approach that combines agility with efficiency. Critically, it must also incorporate the robot's kinematic constraints to navigate more effectively through complex environments. This work introduces a novel planning method for center-articulated vehicles (CAV), leveraging motion primitives within a receding horizon planning framework using onboard sensing. The approach commences with the offline creation of motion primitives, generated through forward simulations that reflect the distinct kinematic model of center-articulated vehicles. These primitives undergo evaluation through a heuristic-based scoring function, facilitating the selection of the most suitable path for real-time navigation. To account for disturbances, we develop a pose-stabilizing controller, tailored to the kinematic specifications of center-articulated vehicles. During experiments, our method demonstrates a $67\%$ improvement in SPL (Success Rate weighted by Path Length) performance over existing strategies. Furthermore, its efficacy was validated through real-world experiments conducted with a tree harvester vehicle - SAHA.