Trajectory Planning with Model Predictive Control for Obstacle Avoidance Considering Prediction Uncertainty
作者: Eric Schöneberg, Michael Schröder, Daniel Görges, Hans D. Schotten
分类: eess.SY, cs.RO
发布日期: 2025-04-27
备注: This work has been accepted to IFAC for publication under a Creative Commons Licence CC-BY-NC-ND
💡 一句话要点
提出一种考虑预测不确定性的MPC轨迹规划器，用于自主机器人在ROS2/Nav2框架下的动态避障。
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 模型预测控制 轨迹规划 动态避障 不确定性预测 自主机器人
📋 核心要点
- 现有Nav2轨迹规划器在动态避障方面存在不足，通常仅对当前障碍物位置做出反应，忽略了预测的不确定性。
- 该论文提出基于随机VAR模型的MPC轨迹规划器，利用概率分布预测障碍物未来位置，并通过马氏距离约束实现避碰。
- 仿真结果表明，该方法在机器人相互避让的场景中表现出更强的避碰能力，验证了其有效性。
📝 摘要（中文）
本文提出了一种用于自主机器人的新型轨迹规划器，旨在通过在ROS2和Nav2框架内整合动态避障来增强导航能力。该方法利用模型预测控制（MPC），重点处理与动态障碍物运动预测相关的不确定性。与主要处理静态障碍物或对动态障碍物当前位置做出反应的现有Nav2轨迹规划器不同，该规划器使用随机向量自回归模型（VAR）预测未来障碍物位置。障碍物的未来位置由概率分布表示，并通过基于马氏距离的约束来实现避碰，确保机器人避开障碍物可能出现的区域。该方法考虑了机器人的运动学约束，使其能够在跟踪参考路径的同时适应环境的实时变化。本文详细介绍了实现过程，包括障碍物预测、跟踪和MPC可行集的构建。Gazebo环境中的仿真结果表明，该方法在机器人必须相互避让的场景中有效，并显示出改进的避碰能力。
🔬 方法详解
问题定义：现有自主机器人的轨迹规划器在动态环境下避障时，通常只考虑障碍物当前的位置，而忽略了障碍物运动预测的不确定性。这导致机器人可能在规划路径时过于保守，或者在障碍物突然改变运动状态时发生碰撞。因此，需要一种能够考虑障碍物运动预测不确定性的轨迹规划方法，以提高自主机器人在动态环境中的导航安全性和效率。
核心思路：本文的核心思路是利用模型预测控制（MPC）框架，结合障碍物运动预测的不确定性，进行轨迹规划。具体来说，首先使用随机向量自回归模型（VAR）预测障碍物未来的位置，并将预测结果表示为概率分布。然后，在MPC的约束条件中，使用基于马氏距离的约束来确保机器人避开障碍物可能出现的区域。通过这种方式，机器人可以在规划路径时考虑到障碍物运动的不确定性，从而提高避碰的鲁棒性。
技术框架：该方法的技术框架主要包括以下几个模块：1) 障碍物预测模块：使用随机VAR模型预测障碍物未来的位置，并输出概率分布。2) 轨迹跟踪模块：根据参考路径和机器人的运动学约束，生成机器人的运动轨迹。3) MPC优化模块：根据障碍物预测结果和轨迹跟踪结果，使用MPC算法优化机器人的运动轨迹，以实现避碰和轨迹跟踪的目标。4) 可行集构建模块：构建MPC的可行集，确保优化后的轨迹满足机器人的运动学约束和避碰约束。
关键创新：该方法最重要的技术创新点在于将障碍物运动预测的不确定性纳入到MPC的轨迹规划过程中。与传统的MPC方法不同，该方法不是基于障碍物当前的位置进行规划，而是基于障碍物未来位置的概率分布进行规划。这种方法可以有效地提高避碰的鲁棒性，并减少因障碍物运动预测误差而导致的碰撞风险。
关键设计：在障碍物预测模块中，使用了随机VAR模型来预测障碍物未来的位置。VAR模型的参数可以通过历史数据进行估计。在MPC优化模块中，使用了基于马氏距离的约束来确保机器人避开障碍物可能出现的区域。马氏距离可以有效地衡量机器人与障碍物之间的距离，并考虑到障碍物运动的不确定性。MPC的目标函数通常包括轨迹跟踪误差和控制输入的惩罚项。通过调整这些惩罚项的权重，可以平衡轨迹跟踪的精度和控制输入的平滑性。
🖼️ 关键图片
📊 实验亮点
该论文在Gazebo仿真环境中进行了实验验证，结果表明该方法能够有效地提高机器人在动态环境中的避碰能力。在机器人相互避让的场景中，该方法能够规划出安全且高效的运动轨迹，避免碰撞的发生。与传统的基于当前障碍物位置的轨迹规划方法相比，该方法能够更好地应对障碍物运动的不确定性，提高避碰的鲁棒性。具体的性能数据和对比基线在论文中进行了详细的描述。
🎯 应用场景
该研究成果可应用于各种自主移动机器人，例如服务机器人、物流机器人、自动驾驶车辆等。通过提高机器人在动态环境中的避障能力，可以提升机器人的工作效率和安全性，降低事故发生的风险。此外，该方法还可以应用于人机协作场景，帮助机器人更好地理解人类的意图，并安全地与人类进行交互。
📄 摘要（原文）
This paper introduces a novel trajectory planner for autonomous robots, specifically designed to enhance navigation by incorporating dynamic obstacle avoidance within the Robot Operating System 2 (ROS2) and Navigation 2 (Nav2) framework. The proposed method utilizes Model Predictive Control (MPC) with a focus on handling the uncertainties associated with the movement prediction of dynamic obstacles. Unlike existing Nav2 trajectory planners which primarily deal with static obstacles or react to the current position of dynamic obstacles, this planner predicts future obstacle positions using a stochastic Vector Auto-Regressive Model (VAR). The obstacles' future positions are represented by probability distributions, and collision avoidance is achieved through constraints based on the Mahalanobis distance, ensuring the robot avoids regions where obstacles are likely to be. This approach considers the robot's kinodynamic constraints, enabling it to track a reference path while adapting to real-time changes in the environment. The paper details the implementation, including obstacle prediction, tracking, and the construction of feasible sets for MPC. Simulation results in a Gazebo environment demonstrate the effectiveness of this method in scenarios where robots must navigate around each other, showing improved collision avoidance capabilities.