Intelligent Mobility System with Integrated Motion Planning and Control Utilizing Infrastructure Sensor Nodes

📄 arXiv: 2410.22527v2 📥 PDF

作者: Yufeng Yang, Minghao Ning, Shucheng Huang, Ehsan Hashemi, Amir Khajepour

分类: cs.RO, eess.SY

发布日期: 2024-10-29 (更新: 2024-11-04)

DOI: 10.1109/ITSC58415.2024.10920068

💡 一句话要点

提出一种基于基础设施传感器的智能移动系统，用于室内自主导航。

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 自主移动机器人 模型预测控制 人工势场 基础设施传感器 全局定位 云计算 室内导航

📋 核心要点

  1. 传统自主移动系统依赖车载传感器，成本高且易受环境光照、遮挡等因素影响，鲁棒性存在挑战。
  2. 该论文提出利用基础设施传感器节点（ISN）进行全局感知和定位，结合云计算，降低成本并提高系统可靠性。
  3. 通过MPC控制器融合人工势场，实现局部规划和跟踪控制，仿真验证了其在静态和动态环境下的避障能力。

📝 摘要（中文）

本文提出了一种用于室内自主移动系统的框架，该系统能够执行病人转移和物料搬运任务。与依赖车载感知传感器的传统系统不同，该方法利用基础设施传感器节点（ISN）和云计算技术实现全局感知和定位（PL）。基于全局PL，开发了一种集成的基于模型预测控制（MPC）的局部规划和跟踪控制器，并结合了人工势场（APF），从而在跟踪预定义参考运动的同时，实现了可靠、高效的运动规划和避障能力。仿真结果表明，所提出的MPC控制器在平稳地绕过静态和动态障碍物方面是有效的。该系统有潜力扩展到智能互联自动驾驶车辆，如具有四轮独立驱动/转向（4WID-4WIS）配置的电动或货物运输车辆。

🔬 方法详解

问题定义：现有室内自主移动系统主要依赖车载传感器进行感知和定位，这存在成本高昂、易受环境因素干扰（如光照变化、遮挡）以及计算资源受限等问题，导致系统鲁棒性不足，难以在复杂环境中稳定运行。

核心思路：该论文的核心思路是利用预先部署在环境中的基础设施传感器节点（ISN）来提供全局的感知和定位信息，从而替代或减少对车载传感器的依赖。通过云计算技术，集中处理来自ISN的数据，实现更精确、更可靠的全局定位，并为运动规划和控制提供支持。

技术框架：该系统的整体架构包括三个主要模块：1) 基础设施传感器网络（ISN）：负责采集环境数据，如图像、激光雷达数据等；2) 云计算平台：接收来自ISN的数据，进行全局定位和环境建模；3) 移动机器人：接收来自云计算平台的定位信息和规划指令，执行运动控制。移动机器人上的MPC控制器融合了人工势场（APF）方法，用于局部路径规划和避障。

关键创新：该论文的关键创新在于将基础设施传感器网络与云计算相结合，为自主移动机器人提供全局感知和定位能力。这种方法降低了对车载传感器的依赖，提高了系统的鲁棒性和可扩展性。此外，将MPC与APF相结合，实现了高效的局部路径规划和避障。

关键设计：MPC控制器以机器人当前状态和目标状态为输入，通过优化控制序列，生成最优的运动轨迹。人工势场（APF）用于在MPC的优化过程中引入障碍物信息，引导机器人避开障碍物。MPC的损失函数通常包括跟踪误差、控制输入惩罚项等。具体参数设置（如预测时域长度、控制时域长度、权重系数等）需要根据实际应用场景进行调整。

📊 实验亮点

论文通过仿真实验验证了所提出的MPC控制器在静态和动态环境下的避障能力。仿真结果表明，该控制器能够使移动机器人在复杂环境中平稳地绕过障碍物，并有效地跟踪预定义的参考轨迹。虽然论文中没有提供具体的性能指标（如平均避障时间、路径偏差等），但仿真结果初步验证了该方法的有效性。

🎯 应用场景

该研究成果可应用于医院、仓库、工厂等室内环境，实现自主病人转移、物料搬运等任务。通过降低对车载传感器的依赖，可以有效降低系统成本，提高鲁棒性，并为智能互联自动驾驶车辆（如电动或货物运输车辆）提供新的解决方案。未来，该技术有望扩展到更复杂的室外环境，推动智能交通和物流的发展。

📄 摘要（原文）

This paper introduces a framework for an indoor autonomous mobility system that can perform patient transfers and materials handling. Unlike traditional systems that rely on onboard perception sensors, the proposed approach leverages a global perception and localization (PL) through Infrastructure Sensor Nodes (ISNs) and cloud computing technology. Using the global PL, an integrated Model Predictive Control (MPC)-based local planning and tracking controller augmented with Artificial Potential Field (APF) is developed, enabling reliable and efficient motion planning and obstacle avoidance ability while tracking predefined reference motions. Simulation results demonstrate the effectiveness of the proposed MPC controller in smoothly navigating around both static and dynamic obstacles. The proposed system has the potential to extend to intelligent connected autonomous vehicles, such as electric or cargo transport vehicles with four-wheel independent drive/steering (4WID-4WIS) configurations.