[论文解读] 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 6

一句话总结

本文提出了一种先搜索后优化的框架，用于在动态障碍物环境中实现AGV的实时轨迹规划。该方法在时空图中使用A*搜索生成非线性规划求解器的高质量初始猜测，从而实现快速、最优且统一的轨迹解，并在仿真中验证了其具备实时性能。

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.

研究动机与目标

• 解决AGV在动态环境中面临移动障碍物时的实时、最优轨迹规划挑战。
• 克服在复杂、时变环境中因初始猜测质量差而导致非线性规划（NLP）求解器收敛缓慢的问题。
• 将轨迹规划统一为单一最优控制公式，同时处理静态和动态障碍物。
• 通过利用启发式搜索生成有信息量的初始轨迹，实现适合实时部署的快速求解时间。
• 通过两阶段框架确保解的最优性和可行性：第一阶段为图搜索初始化，第二阶段为数值优化。

提出的方法

• 将轨迹规划问题表述为四维时空空间（二维位置+时间）中的连续最优控制问题。
• 将连续问题离散化为非线性规划（NLP）问题以实现数值求解。
• 通过将二维配置空间和时间维度离散化为节点网格，在时空空间中构建图结构。
• 应用A*算法在离散化图中搜索近似最优轨迹，为NLP求解器生成初始猜测。
• 将A*生成的轨迹用作初始猜测，以加速NLP求解器收敛至最优解。
• 将整个框架集成到实时处理流水线中，其中搜索阶段确保快速初始化，优化阶段确保解的质量。

实验结果

研究问题

• RQ1 在存在移动障碍物的情况下，AGV的实时轨迹规划系统如何同时实现最优性和快速收敛？
• RQ2 基于启发式搜索的初始猜测对动态轨迹规划中非线性规划求解器收敛速度有何影响？
• RQ3 统一的最优控制公式能否有效处理AGV导航中的静态和移动障碍物？
• RQ4 与直接求解NLP相比，通过A*实现的时空图表示在解的求解时间和质量方面表现如何？
• RQ5 在动态环境中，采用先搜索后优化的框架能够实现何种水平的实时性能？

主要发现

• 所提出的先搜索后优化框架通过提供高质量初始猜测，显著加速了NLP求解器的收敛速度。
• 仿真结果表明系统具备实时性能，求解时间适合在动态环境中在线部署。
• 该方法通过结合A*的全局搜索能力与NLP优化的精度，实现了最优且可行的轨迹。
• 时空图表示能够有效建模具有复杂、已知轨迹的移动障碍物。
• 该框架将轨迹规划统一于单一最优控制公式下，提升了结果的一致性和质量。
• 与无初始值直接求解NLP相比，该方法在保持解最优性的同时显著降低了计算时间。