[論文レビュー] Bridging the Gap Between Safety and Real-Time Performance in Receding-Horizon Trajectory Design for Mobile Robots

Shreyas Kousik, Sean Vaskov+3 more|arXiv (Cornell University)|Sep 18, 2018

Robotic Path Planning Algorithms被引用数 9

ひとこと要約

本稿では、移動ロボットのための、証明可能かつリアルタイムな再帰的ホライズン軌道計画法である到達可能性に基づく軌道設計（RTD）を提案する。事前にオフラインで前方到達可能集合（FRS）を計算し、障害物を離散的障害物表現を用いて軌道パラメータにマッピングすることで、非線形最適化によるリアルタイム保証を伴う安全で継続的な実行可能性を実現する。

ABSTRACT

To operate with limited sensor horizons in unpredictable environments, autonomous robots use a receding-horizon strategy to plan trajectories, wherein they execute a short plan while creating the next plan. However, creating safe, dynamically-feasible trajectories in real time is challenging; and, planners must ensure persistent feasibility, meaning a new trajectory is always available before the previous one has finished executing. Existing approaches make a tradeoff between model complexity and planning speed, which can require sacrificing guarantees of safety and dynamic feasibility. This work presents the Reachability-based Trajectory Design (RTD) method for trajectory planning. RTD begins with an offline Forward Reachable Set (FRS) computation of a robot's motion when tracking parameterized trajectories; the FRS provably bounds tracking error. At runtime, the FRS is used to map obstacles to parameterized trajectories, allowing RTD to select a safe trajectory at every planning iteration. RTD prescribes an obstacle representation to ensure that obstacle constraints can be created and evaluated in real time while maintaining safety. Persistent feasibility is achieved by prescribing a minimum sensor horizon and a minimum duration for the planned trajectories. A system decomposition approach is used to improve the tractability of computing the FRS, allowing RTD to create more complex plans at runtime. RTD is compared in simulation with Rapidly-Exploring Random Trees and Nonlinear Model-Predictive Control. RTD is also demonstrated in randomly-crafted environments on two hardware platforms: a differential-drive Segway, and a car-like Rover. The proposed method is safe and persistently feasible across thousands of simulations and dozens of real-world hardware demos.

研究の動機と目的

• 予測不可能でセンサ制限のある環境下における、再帰的ホライズン軌道計画法の安全性とリアルタイム性能を両立させる課題に取り組む。
• 従来の手法では、モデルの複雑さと計画速度のトレードオフを犠牲にしているが、そのジレンマを克服する。
• 最小センサホライズンと最小軌道期間の制約を定義することで、常に利用可能な安全な計画を保証する継続的実行可能性を確保する。
• FRS計算のためのシステム分解を用いることで、高次元系への適用性を拡張する。
• 離散的障害物表現を用いて、パラメータ空間における非線形制約にマッピングすることで、リアルタイムで安全な軌道最適化を実現する。

提案手法

• 固定時間ホライズン内での追従誤差を含むロボット状態を捉える、パラメータ化された軌道族のための前方到達可能集合（FRS）をオフラインで事前に計算する。
• 高次元系のFRS計算の取り扱いやすさを向上させるために、Chenら（2016, 2017）が提案したシステム分解を適用する。
• 状態空間における障害物を離散的点として表現し、到達可能性解析を用いて各点を不安全な軌道パラメータの集合にマッピングする。
• 得られた不安全パラメータ制約を、オンライン最適化用の有限個の非線形不等式に表現する。
• FRSと障害物マッピングを再帰的ホライズンフレームワークに統合し、各計画ステップで非線形計画問題が最適な軌道パラメータを選択する。
• 最小センサホライズンと最小軌道期間を設定することで、現在の計画が完了する前に常に安全な計画が利用可能であることを保証する。

実験結果

リサーチクエスチョン

• RQ1 再帰的ホライズン軌道計画法が、モデルの正確さと速度の間のヒューリスティックな妥協に依存せずに、安全性とリアルタイム性能を保証できるか？
• RQ2 リアルタイムで安全保証を維持しつつ、障害物制約をどのように表現・評価できるか？
• RQ3 高次元移動ロボットモデルの効率的FRS計算を可能にするシステム分解技術は何か？
• RQ4 リアルタイム制約下で、RTDはRRTやNMPCに比べて安全性、実行可能性、ゴール到達率においてどの程度優れているか？
• RQ5 センサ範囲が限られた動的かつ予測不能な環境でも、RTDは継続的実行可能性を保証できるか？

主な発見

• RTDは1,000回を超えるシミュレーションおよび27回の実機ハードウェア実験（SegwayおよびRover）で100％の成功を収め、クラッシュはゼロで、高い安全性と実行可能性を実証した。
• Segwayロボットは、1.25 m/sの速度でランダムに配置された障害物を含む部屋を走破し、0.5秒ごとに再計画を実行したが、追従誤差が存在してもすべての軌道が安全であった。
• Roverロボットは、撮影されたデモンストレーションを含め18回の追加試行を全員で完了し、クラッシュはなく、1.0～1.5 m/sの速度で車線変更や緊急停止を正常に実行した。
• Segwayでは0.5秒、Roverでは0.375秒のリアルタイム制限を課した状況下でも、RTDはRRTやNMPCに比べて衝突なしに到達したゴール数が多く、優れた性能を示した。
• Roverで1.0～1.5 m/sの複数の速度に対して1つのFRSを用いたことで、運用条件の変化に耐えうるスケーラビリティとロバストネスを示した。
• 離散的障害物表現により、不安全パラメータが制約集合に完全に含まれ、安全保証が証明可能に維持された。