Resilient Timed Elastic Band Planner for Collision-Free Navigation in Unknown Environments

📄 arXiv: 2412.03174v1 📥 PDF

作者: Geesara Kulathunga, Abdurrahman Yilmaz, Zhuoling Huang, Ibrahim Hroob, Hariharan Arunachalam, Leonardo Guevara, Alexandr Klimchik, Grzegorz Cielniak, Marc Hanheide

分类: cs.RO, math.OC

发布日期: 2024-12-04

💡 一句话要点

提出RTEB规划器，解决未知环境下机器人导航的轨迹重规划与优化问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 轨迹规划 自主导航 机器人 混合A* 软约束优化 动态Voronoi图 重规划

📋 核心要点

  1. 现有导航方法在复杂未知环境中，初始轨迹规划容易失效，导致导航任务失败。
  2. 提出RTEB规划器，结合混合A*算法生成可行轨迹，并使用软约束平滑技术进行优化，确保轨迹质量。
  3. 实验表明，在高密度障碍物环境中，RTEB规划器在路径长度、时间和控制力方面优于TEB和NMPC规划器。

📝 摘要（中文）

本文提出了一种鲁棒的轨迹重规划方法，用于解决自主导航中初始规划方案失效的问题。该方法结合了混合A*算法，在主规划器失效时生成可行的轨迹，并应用基于软约束的平滑技术来优化这些轨迹，确保轨迹的连续性、避障性和运动学可行性。障碍物约束通过动态Voronoi图建模，以改善在狭窄通道中的导航。该方法提高了轨迹规划的一致性，加快了收敛速度，并满足了实时计算需求。在高障碍物密度（约30%或更高）的环境中，RTEB规划器与TEB规划器和NMPC规划器相比，在穿越距离、穿越时间和控制力方面实现了约20%的降低。这些改进表明RTEB规划器在农业和工业等领域机器人中的应用潜力，尤其是在非结构化地形中导航对于确保效率和操作弹性的场景。

🔬 方法详解

问题定义：在未知环境中，机器人自主导航面临的主要问题是初始轨迹规划方案可能由于新出现的障碍物或其他因素而变得不可行。现有的轨迹规划方法在处理此类突发情况时，可能无法快速有效地进行重规划，导致导航失败或效率降低。尤其是在高密度障碍物环境中，找到一条安全、高效的轨迹更具挑战性。

核心思路：RTEB规划器的核心思路是在主规划器失效时，利用混合A*算法快速生成一条可行的初始轨迹，然后通过基于软约束的优化方法，对该轨迹进行平滑和优化，使其满足连续性、避障性和运动学可行性等要求。这种混合策略旨在兼顾规划速度和轨迹质量，提高导航系统的鲁棒性和适应性。

技术框架：RTEB规划器的整体框架包含以下几个主要模块：1) 主规划器：负责生成初始轨迹，可以是任何现有的轨迹规划算法。2) 故障检测模块：监测主规划器的输出，判断其是否可行。3) 混合A重规划模块：当主规划器失效时，利用混合A算法生成一条新的可行轨迹。4) 基于软约束的优化模块：对混合A*生成的轨迹进行平滑和优化，使其满足各项约束条件。5) 动态Voronoi图模块：用于建模环境中的障碍物，并辅助轨迹规划和优化。

关键创新：RTEB规划器的关键创新在于其鲁棒的重规划策略和基于软约束的优化方法。传统的轨迹规划方法通常依赖于单一的规划器，一旦该规划器失效，整个系统就无法正常工作。RTEB规划器通过引入混合A*算法作为备用方案，提高了系统的容错能力。此外，基于软约束的优化方法允许轨迹在一定程度上违反约束条件，从而更容易找到可行的解，并提高规划速度。

关键设计：RTEB规划器中的关键设计包括：1) 混合A*算法的启发式函数设计，需要综合考虑距离目标点的距离和避障成本。2) 软约束优化中的权重设置，需要平衡轨迹的平滑性、避障性和运动学可行性。3) 动态Voronoi图的更新频率，需要根据环境的变化速度进行调整。4) 故障检测模块的阈值设置，需要根据主规划器的性能进行校准。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，在高障碍物密度（约30%或更高）的环境中，RTEB规划器与TEB规划器和NMPC规划器相比，在穿越距离、穿越时间和控制力方面实现了约20%的降低。这表明RTEB规划器在复杂环境下的导航性能显著优于传统的轨迹规划方法，能够更有效地生成安全、高效的轨迹。

🎯 应用场景

RTEB规划器适用于各种需要在复杂未知环境中进行自主导航的机器人应用，例如农业机器人、工业机器人、物流机器人和搜救机器人。该规划器能够提高机器人在非结构化地形中的导航效率和操作弹性，降低因规划失败导致的停机时间，从而提高生产效率和安全性。未来，RTEB规划器可以进一步扩展到多机器人协同导航和动态环境下的导航。

📄 摘要（原文）

In autonomous navigation, trajectory replanning, refinement, and control command generation are essential for effective motion planning. This paper presents a resilient approach to trajectory replanning addressing scenarios where the initial planner's solution becomes infeasible. The proposed method incorporates a hybrid A* algorithm to generate feasible trajectories when the primary planner fails and applies a soft constraints-based smoothing technique to refine these trajectories, ensuring continuity, obstacle avoidance, and kinematic feasibility. Obstacle constraints are modelled using a dynamic Voronoi map to improve navigation through narrow passages. This approach enhances the consistency of trajectory planning, speeds up convergence, and meets real-time computational requirements. In environments with around 30\% or higher obstacle density, the ratio of free space before and after placing new obstacles, the Resilient Timed Elastic Band (RTEB) planner achieves approximately 20\% reduction in traverse distance, traverse time, and control effort compared to the Timed Elastic Band (TEB) planner and Nonlinear Model Predictive Control (NMPC) planner. These improvements demonstrate the RTEB planner's potential for application in field robotics, particularly in agricultural and industrial environments, where navigating unstructured terrain is crucial for ensuring efficiency and operational resilience.