Dynamic Obstacle Avoidance of Unmanned Surface Vehicles in Maritime Environments Using Gaussian Processes Based Motion Planning
作者: Jiawei Meng, Yuanchang Liu, Danail Stoyanov
分类: cs.RO
发布日期: 2024-12-10 (更新: 2025-06-07)
备注: 20 pages, 22 figures
💡 一句话要点
提出基于高斯过程的动态运动规划器，解决无人艇在复杂海况下的避障问题
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 无人艇 动态避障 高斯过程 运动规划 因子图 海洋环境 自主导航
📋 核心要点
- 现有无人艇运动规划方法难以兼顾复杂海况下静态与动态障碍物，避障能力有待提升。
- 提出动态高斯过程运动规划器，利用改进的多元高斯分布对动态障碍物进行建模，生成安全区域。
- 通过仿真和ROS环境下的高保真实验，验证了算法在动态避障任务中的有效性和实用性。
📝 摘要（中文）
本文提出了一种名为动态高斯过程运动规划器2（Dynamic Gaussian process motion planner 2）的新型运动规划算法，成功扩展了高斯过程运动规划器2的应用范围，使其能够应用于包含静态和动态障碍物的复杂动态环境。该方法首先引入了一种利用改进的多元高斯分布为动态障碍物生成安全区域的方法。其次，提出了一种将动态障碍物的实时状态信息集成到改进的多元高斯分布中的方法。包含动态障碍物实时状态的多元高斯分布可以创新性地添加到因子图的优化过程中，以生成优化的轨迹。此外，还开发了该算法的一个变体，集成了国际海上避碰规则，从而提高了其在海洋环境中的运行效率。所提出的算法已在一系列基准模拟以及在机器人操作系统中高保真海洋环境中的动态避障任务中得到验证，证明了其功能性和实用性。
🔬 方法详解
问题定义：无人艇在海洋环境中执行任务时，需要避开静态障碍物（如岛屿、礁石）和动态障碍物（如其他无人艇）。现有的运动规划算法难以在复杂和动态的环境中生成平滑且无碰撞的轨迹，尤其是在考虑实时障碍物信息和避碰规则时，性能会受到影响。
核心思路：本文的核心思路是利用高斯过程运动规划器，并对其进行扩展，使其能够处理动态环境。通过使用改进的多元高斯分布来表示动态障碍物，并将其实时状态信息集成到高斯分布中，从而生成安全区域。然后，将这些高斯分布添加到因子图的优化过程中，以生成优化的轨迹。
技术框架：该算法主要包含以下几个阶段：1) 使用改进的多元高斯分布对动态障碍物进行建模；2) 将动态障碍物的实时状态信息集成到高斯分布中；3) 将包含动态障碍物实时状态的高斯分布添加到因子图的优化过程中；4) 生成优化的轨迹。此外，还集成了国际海上避碰规则，以提高算法在实际海洋环境中的运行效率。
关键创新：该算法的关键创新在于：1) 提出了一种使用改进的多元高斯分布来表示动态障碍物的方法，能够有效地捕捉障碍物的不确定性；2) 提出了一种将动态障碍物的实时状态信息集成到高斯分布中的方法，能够使算法对环境变化做出快速响应；3) 将包含动态障碍物实时状态的高斯分布添加到因子图的优化过程中，能够生成更加安全和高效的轨迹。
关键设计：改进的多元高斯分布的参数（如均值和协方差）需要根据动态障碍物的速度、加速度和预测轨迹进行调整。因子图的优化过程需要仔细设计，以平衡轨迹的平滑性、安全性以及与目标点的接近程度。国际海上避碰规则的集成需要考虑各种避碰场景，并将其转化为数学约束条件。
🖼️ 关键图片
📊 实验亮点
论文通过一系列基准仿真实验和高保真ROS环境下的动态避障任务验证了算法的有效性和实用性。实验结果表明，该算法能够成功避开静态和动态障碍物，生成平滑且无碰撞的轨迹。此外，集成了国际海上避碰规则的算法变体在实际海洋环境中表现出更高的运行效率和安全性。具体的性能数据和对比基线在论文中进行了详细的展示。
🎯 应用场景
该研究成果可广泛应用于无人艇的自主导航、环境勘探、自主运输、海上巡逻等领域。通过提高无人艇在复杂海洋环境中的避障能力，可以降低操作风险，提高任务效率，并为海洋资源的开发和利用提供技术支持。未来，该技术有望应用于更广泛的无人系统，如无人机、无人车等。
📄 摘要（原文）
During recent years, unmanned surface vehicles are extensively utilised in a variety of maritime applications such as the exploration of unknown areas, autonomous transportation, offshore patrol and others. In such maritime applications, unmanned surface vehicles executing relevant missions that might collide with potential static obstacles such as islands and reefs and dynamic obstacles such as other moving unmanned surface vehicles. To successfully accomplish these missions, motion planning algorithms that can generate smooth and collision-free trajectories to avoid both these static and dynamic obstacles in an efficient manner are essential. In this article, we propose a novel motion planning algorithm named the Dynamic Gaussian process motion planner 2, which successfully extends the application scope of the Gaussian process motion planner 2 into complex and dynamic environments with both static and dynamic obstacles. First, we introduce an approach to generate safe areas for dynamic obstacles using modified multivariate Gaussian distributions. Second, we introduce an approach to integrate real-time status information of dynamic obstacles into the modified multivariate Gaussian distributions. The multivariate Gaussian distributions with real-time statuses of dynamic obstacles can be innovatively added into the optimisation process of factor graph to generate an optimised trajectory. We also develop a variant of the proposed algorithm that integrates the international regulations for preventing collisions at sea, enhancing its operational effectiveness in maritime environments. The proposed algorithms have been validated in a series of benchmark simulations and a dynamic obstacle avoidance mission in a high-fidelity maritime environment in the Robotic operating system to demonstrate the functionality and practicability.