DYNUS: Uncertainty-aware Trajectory Planner in Dynamic Unknown Environments
作者: Kota Kondo, Mason Peterson, Nicholas Rober, Juan Rached Viso, Lucas Jia, Jialin Chen, Harvey Merton, Jonathan P. How
分类: cs.RO
发布日期: 2025-04-23 (更新: 2025-05-18)
备注: 20 pages, 30 figures, Under review at IEEE Transactions on Robotics
💡 一句话要点
DYNUS：面向动态未知环境的不确定性感知轨迹规划器
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 轨迹规划 动态环境 不确定性感知 安全走廊 硬约束优化
📋 核心要点
- 现有轨迹规划方法在动态未知环境中面临挑战，尤其是在保证安全性的同时实现快速重规划。
- DYNUS通过结合全局规划、安全走廊生成和快速局部轨迹优化，实现了不确定性感知下的安全高效轨迹规划。
- 实验结果表明，DYNUS在多种复杂环境中实现了100%的成功率，并且比现有方法快约25%。
📝 摘要（中文）
本文介绍了一种名为DYNUS的不确定性感知轨迹规划器，专为动态未知环境设计。在此类环境中运行面临诸多挑战，最显著的是，由于智能体无法预测障碍物的真实未来路径，先前规划的轨迹可能随时变得不安全，需要快速重新规划以避免碰撞。最近开发的规划器使用软约束方法来实现必要的快速计算时间；然而，即使对于静态障碍物，这些方法也不能保证无碰撞路径。相比之下，硬约束方法可确保无碰撞安全性，但通常具有更长的计算时间。为了解决这些问题，我们提出了三个关键贡献。首先，DYNUS全局规划器（DGP）和时间安全走廊生成在时空空间中运行，并处理3D环境中的静态和动态障碍物。其次，安全规划框架利用探索性、安全和应急轨迹的组合，在检测到与动态障碍物的潜在未来碰撞时灵活地重新规划路线。最后，快速硬约束局部轨迹公式使用变量消除方法来减少问题规模，并通过预先计算自由变量和因变量之间的依赖关系来实现更快的计算，同时仍确保无碰撞轨迹。我们在各种模拟中评估了DYNUS，包括密集的森林、受限的办公室空间、洞穴系统和动态环境。我们的实验表明，DYNUS实现了100%的成功率，并且行驶时间比最先进的方法快约25.0%。我们还在多个平台上评估了DYNUS——四旋翼飞行器、轮式机器人和四足机器人——在模拟和硬件实验中。
🔬 方法详解
问题定义：在动态未知环境中，如何快速且安全地规划机器人的运动轨迹？现有方法，如软约束方法虽然计算速度快，但无法保证完全的无碰撞；而硬约束方法虽然安全，但计算量大，难以满足实时性要求。
核心思路：DYNUS的核心思路是结合全局规划、安全走廊生成和快速局部轨迹优化，在时空空间中同时考虑静态和动态障碍物，并利用不确定性感知的应急轨迹来应对突发情况。通过预计算依赖关系，加速硬约束优化过程，从而在保证安全性的前提下提高计算效率。
技术框架：DYNUS包含三个主要模块：DYNUS全局规划器（DGP）、安全规划框架和快速硬约束局部轨迹公式。DGP在时空空间中生成全局路径，并生成时间安全走廊。安全规划框架根据环境不确定性，生成探索性、安全和应急轨迹，以应对潜在的碰撞风险。快速硬约束局部轨迹公式则在安全走廊内进行局部轨迹优化，确保轨迹的安全性。
关键创新：DYNUS的关键创新在于其结合了全局规划和局部优化，并引入了不确定性感知的应急轨迹。通过预计算自由变量和因变量之间的依赖关系，显著加速了硬约束优化过程，使其能够在动态环境中实时运行。
关键设计：DYNUS的快速硬约束局部轨迹公式采用变量消除方法来减少问题规模。具体来说，它将轨迹变量分为自由变量和因变量，并通过预计算它们之间的依赖关系，将优化问题简化为仅关于自由变量的优化问题。这种方法显著降低了计算复杂度，从而实现了快速的局部轨迹优化。
🖼️ 关键图片
📊 实验亮点
DYNUS在包括密集森林、受限办公室空间和洞穴系统等多种模拟环境中进行了评估，实现了100%的成功率。与最先进的方法相比，DYNUS的行驶时间平均快约25%。此外，DYNUS还在四旋翼飞行器、轮式机器人和四足机器人等多个平台上进行了验证，证明了其在不同机器人平台上的通用性和有效性。
🎯 应用场景
DYNUS适用于各种需要在动态未知环境中运行的机器人，例如无人机在森林或城市环境中的自主导航、移动机器人在仓库或工厂中的路径规划，以及四足机器人在复杂地形中的运动控制。该研究成果有助于提升机器人在复杂环境中的自主性和安全性，具有广泛的应用前景。
📄 摘要（原文）
This paper introduces DYNUS, an uncertainty-aware trajectory planner designed for dynamic unknown environments. Operating in such settings presents many challenges -- most notably, because the agent cannot predict the ground-truth future paths of obstacles, a previously planned trajectory can become unsafe at any moment, requiring rapid replanning to avoid collisions. Recently developed planners have used soft-constraint approaches to achieve the necessary fast computation times; however, these methods do not guarantee collision-free paths even with static obstacles. In contrast, hard-constraint methods ensure collision-free safety, but typically have longer computation times. To address these issues, we propose three key contributions. First, the DYNUS Global Planner (DGP) and Temporal Safe Corridor Generation operate in spatio-temporal space and handle both static and dynamic obstacles in the 3D environment. Second, the Safe Planning Framework leverages a combination of exploratory, safe, and contingency trajectories to flexibly re-route when potential future collisions with dynamic obstacles are detected. Finally, the Fast Hard-Constraint Local Trajectory Formulation uses a variable elimination approach to reduce the problem size and enable faster computation by pre-computing dependencies between free and dependent variables while still ensuring collision-free trajectories. We evaluated DYNUS in a variety of simulations, including dense forests, confined office spaces, cave systems, and dynamic environments. Our experiments show that DYNUS achieves a success rate of 100% and travel times that are approximately 25.0% faster than state-of-the-art methods. We also evaluated DYNUS on multiple platforms -- a quadrotor, a wheeled robot, and a quadruped -- in both simulation and hardware experiments.