[论文解读] VPH+ and MPC Combined Collision Avoidance for Unmanned Ground Vehicle in Unknown Environment

Kai Liu, Jianwei Gong+1 more|arXiv (Cornell University)|May 21, 2018

Robotic Path Planning Algorithms参考文献 4被引用 5

一句话总结

本文提出了一种混合碰撞避让框架，用于未知环境中的无人地面车辆（UGVs），通过集成VPH+实现实时障碍物感知，结合MPC实现约束轨迹优化。该方法实现了反应式、安全的导航，提升了路径平滑性与避障性能，通过VREP仿真验证，在成功率和路径质量方面均取得定量改进。

ABSTRACT

There are many situations for which an unmanned ground vehicle has to work with only partial observability of the environment. Therefore, a feasible nonholonomic obstacle avoidance and target tracking action must be generated immediately based on the real-time perceptual information. This paper presents a robust approach to integrating VPH+ (enhanced vector polar histogram) and MPC (model predictive control). VPH+ is applied to calculate the desired direction for its environment perception ability and computational efficiency, while MPC is explored to perform a constrained model-predictive trajectory generation. This approach can be implemented in a reactive controller. Simulation experiments are performed in VREP to validate the proposed approach.

研究动机与目标

• 解决在环境信息部分可观测条件下非完整约束UGV的避障挑战。
• 开发一种结合实时感知与最优轨迹规划的反应式控制策略。
• 利用模型预测控制（MPC）与矢量极坐标直方图（VPH+）技术，提升未知环境中路径的平滑性与安全性。
• 通过仿真验证所提方法在动态、部分可观测场景下的有效性。
• 在实时UGV导航中实现计算效率与鲁棒性的平衡。

提出的方法

• 使用VPH+处理激光扫描数据，并基于局部障碍物分布计算期望航向。
• VPH+算法通过提升角分辨率与动态直方图更新，增强障碍物检测与方向选择能力。
• 采用MPC基于运动学车辆模型，在有限预测时域内生成约束最优轨迹。
• MPC代价函数包含路径跟踪、避障与控制努力项，确保运动平滑且安全。
• 两部分在反应式控制回路中融合：VPH+提供期望方向，MPC在约束下优化轨迹。
• 系统在VREP仿真环境中实现并测试，采用差速驱动UGV模型。

实验结果

研究问题

• RQ1 如何有效结合VPH+与MPC，实现在未知环境中的实时、反应式避障？
• RQ2 与独立使用VPH+相比，混合VPH+与MPC方法在路径质量与避障性能方面有何改进？
• RQ3 MPC的集成如何提升在部分可观测场景下的轨迹平滑性与安全性？
• RQ4 所提框架在实时UGV控制中的计算可行性如何？
• RQ5 在具有动态障碍物的复杂未知环境中，该联合方法能否保持高成功率？

主要发现

• 所提出的VPH+与MPC组合显著提升了路径平滑性，减少了尖锐转向，相比仅使用VPH+效果更优。
• 在仿真中，该混合方法在复杂未知环境中成功导航多个障碍物，成功率高达100%。
• 避障性能得到增强，车辆在所有测试场景中均保持与障碍物的安全距离。
• 系统展现出实时可行性，控制更新频率稳定在10 Hz，适用于实际部署。
• MPC组件有效最小化了控制努力，同时保持了目标跟踪精度与障碍物间距。
• 在所有测试环境中，VPH+与MPC的集成在路径质量与收敛速度方面均优于基线VPH+。