[論文レビュー] Real-Time Trajectory Planning for AGV in the Presence of Moving Obstacles: A First-Search-Then-Optimization Approach

Bai Li, Youmin Zhang+5 more|arXiv (Cornell University)|Feb 17, 2019

Robotic Path Planning Algorithms参考文献 28被引用数 6

ひとこと要約

本稿では、移動障害物が存在する環境におけるAGVのリアルタイム軌道計画のための、最初に探索してから最適化するフレームワークを提案する。空間時間グラフ上でA*探索を用いて非線形計画法（NLP）ソルバーの高品質な初期推定値を生成することで、高速かつ最適で統合的な軌道解を得ることができ、シミュレーションでは実時間性能が裏付けられている。

ABSTRACT

This paper focuses on automatic guided vehicle (AGV) trajectory planning in the presence of moving obstacles with known but complicated trajectories. In order to achieve good solution precision, optimality and unification, the concerned task should be formulated as an optimal control problem, and then discretized into a nonlinear programming (NLP) problem, which is numerically optimized thereafter. Without a near-feasible or near-optimal initial guess, the NLP-solving process is usually slow. With the purpose of accelerating the NLP solution, a search-based rough planning stage is added to generate appropriate initial guesses. Concretely, a continuous state space is formulated, which consists of Cartesian product of 2D configuration space and a time dimension. The rough trajectory is generated by a graph-search based planner, namely the A* algorithm. Herein, the nodes in the graph are constructed by discretizing the aforementioned continuous spatio-temporal space. Through this first-search-then-optimization framework, optimal solutions to unified trajectory planning problems can be obtained fast. Simulations have been conducted to verify the real-time performance of our proposal.

研究の動機と目的

• 動的環境における移動障害物を伴うAGVのリアルタイムで最適な軌道計画の課題に対処すること。
• 複雑で時間依存性のある環境において、初期推定値が不適切なために非線形計画法（NLP）ソルバーの収束が遅くなる問題を克服すること。
• 静的障害物と動的障害物の両方を効果的に扱える、単一の最適制御定式化に軌道計画を統合すること。
• ヒューリスティック探索によって得られる情報のある初期軌道を活用することで、リアルタイムでのデプロイメントに適した高速な解法を達成すること。
• 2段階フレームワーク（グラフ探索による初期化と数値最適化による最適性・妥当性の保証）により、解の最適性と妥当性を確保すること。

提案手法

• 2次元位置と時間からなる4次元空間時間領域における連続的最適制御問題として、軌道計画問題を定式化する。
• 数値的解法が可能な非線形計画法（NLP）問題に連続問題を離散化する。
• 2次元配置空間と時間軸をグリッド化してノードの集合として空間時間領域にグラフを構築する。
• A*アルゴリズムを用いて離散化されたグラフ上で近似的最適な軌道を探索し、NLPソルバーの初期推定値を生成する。
• A*で得られた軌道を初期推定値として用いることで、NLPソルバーの収束を加速し、最適解に近づける。
• 探索段階で高速な初期化を実現し、最適化段階で解の品質を保証するリアルタイムパイプラインに全体のフレームワークを統合する。

実験結果

リサーチクエスチョン

• RQ1 AGVのリアルタイム軌道計画システムは、移動障害物が存在する状況において、最適性と高速収束の両立をどのように達成できるか？
• RQ2 ヒューリスティック探索に基づく初期推定値が、動的軌道計画における非線形計画法（NLP）ソルバーの収束速度に与える影響は何か？
• RQ3 統一された最適制御定式化は、AGVナビゲーションにおいて静的障害物と動的障害物の両方を効果的に処理できるか？
• RQ4 A*による空間時間グラフ表現と直接的なNLP解法とを比較した場合、解法時間と解の品質の面でどのような差異があるか？
• RQ5 動的環境下で、最初に探索してから最適化するフレームワークを用いることで、どの程度のリアルタイム性能が達成可能か？

主な発見

• 提案された最初に探索してから最適化するフレームワークにより、高品質な初期推定値の供給によってNLPソルバーの収束が著しく加速された。
• シミュレーションにより、オンラインデプロイメントに適した実時間性能が確認された。
• A*のグローバル探索能力とNLP最適化の高精度性を組み合わせることで、最適かつ妥当な軌道が達成された。
• 空間時間グラフ表現を用いることで、複雑な既知の軌道をとる移動障害物の効果的なモデリングが可能になった。
• 単一の最適制御定式化に統合されたため、一貫性と解の品質が向上した。
• 初期化なしで直接NLPを解くのと比較して、計算時間の短縮を実現しながらも、解の最適性を維持した。