SPF-EMPC Planner: A real-time multi-robot trajectory planner for complex environments with uncertainties
作者: Peng Liu, Pengming Zhu, Zhiwen Zeng, Xuekai Qiu, Yu Wang, Huimin Lu
分类: cs.RO
发布日期: 2024-10-17
💡 一句话要点
提出基于安全概率场的扩展状态模型预测控制，解决复杂不确定环境下多机器人实时轨迹规划问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 多机器人 轨迹规划 模型预测控制 安全概率场 不确定性 动态环境 实时控制
📋 核心要点
- 现有方法难以在复杂环境和机器人集群中，同时考虑不确定性因素和保证安全导航。
- 利用安全概率场对动态障碍物的不确定性进行建模，并结合扩展状态模型预测控制，实现安全轨迹规划。
- 仿真实验表明，该方法成功率比现有算法高四倍，并已通过物理实验验证了实时性和安全性。
📝 摘要（中文）
本文提出了一种扩展状态模型预测控制规划器，结合安全概率场，以解决复杂、动态和不确定环境中多机器人导航问题。安全概率场创新性地对外部动态障碍物的不确定性进行建模，并结合无约束优化方法，为多机器人在线生成安全轨迹。扩展状态模型预测控制器能够精确跟踪生成的轨迹，同时考虑机器人固有的模型约束和状态不确定性，确保规划轨迹的实际可行性。仿真实验表明，该方法成功率比现有算法高四倍。物理实验证明了该方法能够实时运行，从而使多机器人在不确定环境中安全导航。
🔬 方法详解
问题定义：论文旨在解决复杂、动态和不确定环境中多机器人安全导航的问题。现有方法在处理此类问题时，难以同时兼顾环境的复杂性、动态障碍物的不确定性以及机器人集群的协同，导致导航安全性降低。尤其是在集群环境中，机器人之间的相互影响以及外部环境的干扰使得轨迹规划更具挑战性。
核心思路：论文的核心思路是将动态障碍物的不确定性建模为安全概率场，该概率场反映了障碍物在未来可能占据的位置的概率分布。通过将安全概率场纳入轨迹规划过程，可以有效地避开高风险区域，从而提高导航的安全性。同时，采用扩展状态模型预测控制（EMPC）来精确跟踪生成的轨迹，并考虑机器人自身的模型约束和状态不确定性，保证轨迹的可执行性。
技术框架：该方法主要包含两个阶段：1) 基于安全概率场的轨迹生成：首先，利用传感器数据估计动态障碍物的状态，并构建安全概率场。然后，使用无约束优化方法，在安全概率场的引导下生成初始轨迹。2) 基于扩展状态模型预测控制的轨迹跟踪：利用EMPC控制器跟踪生成的轨迹，同时考虑机器人的动力学模型、状态约束和控制约束。EMPC通过滚动优化，不断调整控制输入，以实现精确的轨迹跟踪和避障。
关键创新：该方法的主要创新点在于：1) 提出了安全概率场，用于建模动态障碍物的不确定性，为轨迹规划提供安全指导。2) 将安全概率场与扩展状态模型预测控制相结合，实现了在复杂不确定环境中多机器人安全导航。3) 扩展状态模型预测控制考虑了机器人自身的状态不确定性，提高了轨迹跟踪的鲁棒性。
关键设计：安全概率场的构建依赖于对障碍物运动状态的准确估计，可以使用卡尔曼滤波等方法进行状态估计。EMPC控制器的设计需要仔细选择状态空间和控制空间，并根据机器人的动力学模型建立预测模型。损失函数的设计需要平衡轨迹跟踪精度、控制能量消耗和安全性。此外，还需要合理设置预测时域和控制时域，以保证控制器的性能。
🖼️ 关键图片
📊 实验亮点
仿真实验结果表明，该方法在复杂不确定环境中，多机器人导航的成功率比现有算法提高了四倍。此外，通过实际物理实验验证了该方法在实时性方面的优势，证明了其在真实场景中的可行性。这些实验结果充分表明了该方法在解决复杂不确定环境下多机器人导航问题方面的有效性和优越性。
🎯 应用场景
该研究成果可应用于仓储物流、自动驾驶、搜救等领域。在仓储物流中，可实现多机器人在复杂环境下高效、安全地协同搬运货物。在自动驾驶领域，可提高车辆在复杂交通环境中的安全性和可靠性。在搜救领域，可利用多机器人协同搜索，提高搜救效率和安全性。未来，该方法有望进一步扩展到更复杂的场景，例如人机协作、智能制造等。
📄 摘要（原文）
In practical applications, the unpredictable movement of obstacles and the imprecise state observation of robots introduce significant uncertainties for the swarm of robots, especially in cluster environments. However, existing methods are difficult to realize safe navigation, considering uncertainties, complex environmental structures, and robot swarms. This paper introduces an extended state model predictive control planner with a safe probability field to address the multi-robot navigation problem in complex, dynamic, and uncertain environments. Initially, the safe probability field offers an innovative approach to model the uncertainty of external dynamic obstacles, combining it with an unconstrained optimization method to generate safe trajectories for multi-robot online. Subsequently, the extended state model predictive controller can accurately track these generated trajectories while considering the robots' inherent model constraints and state uncertainty, thus ensuring the practical feasibility of the planned trajectories. Simulation experiments show a success rate four times higher than that of state-of-the-art algorithms. Physical experiments demonstrate the method's ability to operate in real-time, enabling safe navigation for multi-robot in uncertain environments.