[论文解读] Fast and Bounded Probabilistic Collision Detection in Dynamic Environments for High-DOF Trajectory Planning

Chonhyon Park, Jae Sung Park+1 more|arXiv (Cornell University)|Jul 16, 2016

Robotic Path Planning Algorithms参考文献 36被引用 8

一句话总结

本文提出了一种针对高自由度机器人在动态、不确定环境中的快速、有界概率碰撞检测方法，通过高效的近似和碰撞概率的上界保证，实现了高置信度（≥0.95）下的实时轨迹规划，即使在存在移动的人形障碍物时也能保持平滑、高效的路径。

ABSTRACT

We present a novel approach to perform probabilistic collision detection between a high-DOF robot and high-DOF obstacles in dynamic, uncertain environments. In dynamic environments with a high-DOF robot and moving obstacles, our approach efficiently computes accurate collision probability between the robot and obstacles with upper error bounds. Furthermore, we describe a prediction algorithm for future obstacle position and motion that accounts for both spatial and temporal uncertainties. We present a trajectory optimization algorithm for high-DOF robots in dynamic, uncertain environments based on probabilistic collision detection. We highlight motion planning performance in challenging scenarios with robot arms operating in environments with dynamically moving human obstacles.

研究动机与目标

• 解决高自由度机器人在存在移动、不确定障碍物的动态环境中运动规划的挑战。
• 提供一种计算高效的概率碰撞检测方法，能够保证碰撞概率的上界。
• 集成信念空间估计以建模障碍物运动中的空间和时间不确定性。
• 实现轨迹优化，使在高置信度边界（例如 δ_CL = 0.95 或更高）下兼顾安全与效率。
• 在真实和模拟环境中，使用 Kinect 获取的点云数据，实现具有类人移动障碍物的实用性能。

提出的方法

• 提出一种针对高自由度机器人与障碍物之间碰撞概率的快速近似方法，采用有界的上界，确保真实概率始终低于计算值。
• 采用基于卡尔曼滤波的信念空间估计算法，对障碍物位置和运动中的空间与时间不确定性进行建模。
• 将概率碰撞检测集成到轨迹优化框架中，以尊重置信度水平约束（例如 δ_CL = 0.95 或 0.99）。
• 将该方法应用于具有移动人类障碍物的动态场景中的机械臂，使用来自 Kinect 传感器的高分辨率点云数据。
• 将置信度水平（δ_CL）作为可调参数，以控制安全与轨迹效率之间的权衡。
• 实现一种轨迹规划器，当不存在可行路径时，通过调整速度或等待来确保在不确定性下实现无碰撞执行。

实验结果

研究问题

• RQ1 如何在动态环境中，针对高自由度机器人与障碍物，使概率碰撞检测既快速又具有可证明的上界？
• RQ2 使用高斯过程的信念空间估计在多大程度上能提升具有空间和时间不确定性的移动障碍物的预测精度？
• RQ3 使用有界概率碰撞检测的轨迹优化框架，是否能比传统使用扩大包围盒的方法生成更平滑、更高效的路径？
• RQ4 在不确定的动态环境中，提高置信度水平（δ_CL）如何影响轨迹长度、持续时间与平滑度？
• RQ5 在使用不同概率碰撞检测方法时，安全（碰撞避免）与效率（轨迹长度与持续时间）之间的性能权衡如何？

主要发现

• 所提方法计算的碰撞概率上界比使用扩大包围盒的方法更紧致，减少了过度估计，同时保持了安全保证。
• 在置信度水平 δ_CL = 0.95 或更高的情况下，规划器成功生成了在复杂人机交互场景中平滑且无碰撞的轨迹。
• 与中心点概率密度函数（PDF）近似相比，所提方法更可靠地避免了碰撞（100次试验中平均碰撞次数分别为 0.03 和 0.43），同时保持了高效的轨迹。
• 与扩大包围盒方法相比，轨迹持续时间与长度显著缩短（例如 7.16 秒 vs. 10.47 秒），同时实现了相当的安全水平。
• 随着置信度水平提高（例如从 0.95 提高到 0.99）或传感器噪声增加（例如从 0.005 增加到 0.05），轨迹变长且平滑度下降，以维持安全性。
• 该方法在安全与效率的平衡方面，优于过于保守（包围盒）和过于激进（中心点 PDF）的方法。