[论文解读] 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 9

一句话总结

本文提出了一种基于可达性的轨迹设计（RTD）方法，这是一种可证明安全且具备实时性能的移动机器人模型预测控制轨迹规划器。通过离线预计算前向可达集（FRS），并利用离散障碍物表示将障碍物映射到轨迹参数，RTD 在动态环境中通过非线性优化实现了安全且持续可行的轨迹规划，同时具备实时性保证。

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.

研究动机与目标

• 解决在不可预测、传感器受限环境下的移动机器人模型预测控制轨迹规划中，同时实现安全性和实时性能的挑战。
• 克服现有方法中模型复杂度与规划速度之间的权衡，这些方法通常以牺牲安全性或可行性保证为代价。
• 通过定义最小传感器视距和最小轨迹持续时间约束，确保持续可行，从而保证始终存在安全的规划方案。
• 通过系统分解方法，将 FRS 计算扩展至高维系统，提升适用性。
• 利用离散障碍物表示，将障碍物映射到参数空间中的非线性约束，实现实时、安全的轨迹优化。

提出的方法

• 离线预计算一组参数化轨迹的前向可达集（FRS），覆盖固定时间窗内的机器人状态（包括跟踪误差）。
• 采用系统分解方法（改编自 Chen et al., 2016, 2017），提升高维系统中 FRS 计算的可处理性。
• 将障碍物表示为状态空间中的离散点，并通过可达性分析将每个点映射为一组不安全的轨迹参数。
• 将所得的不安全参数约束表示为在线优化中的一组有限非线性不等式。
• 将 FRS 和障碍物映射集成到一个模型预测控制框架中，使非线性规划在每个规划步长中选择最优轨迹参数。
• 通过设定最小传感器视距和最小轨迹持续时间，确保在当前轨迹完成前始终存在安全规划，从而实现持续可行性。

实验结果

研究问题

• RQ1 基于模型预测控制的轨迹规划器是否能在不依赖启发式权衡模型精度与速度的前提下，保证安全性和实时性能？
• RQ2 如何实现实时评估障碍物约束，同时保持可证明的安全性？
• RQ3 哪些系统分解技术能够实现高维移动机器人模型中 FRS 计算的高效性？
• RQ4 在实时约束下，RTD 在安全性、可行性及目标达成方面相较于 RRT 和 NMPC 能够实现多大程度的性能提升？
• RQ5 在传感器范围有限的动态、不可预测环境中，RTD 是否能确保持续可行性？

主要发现

• 在超过 1,000 次仿真和 27 次真实硬件实验（Segway 和 Rover）中，RTD 实现了 100% 的成功率，且无任何碰撞，充分证明了其安全性和可行性。
• Segway 机器人在每 0.5 秒重新规划一次的情况下，以最高 1.25 m/s 的速度成功穿越随机布置障碍物的房间，所有轨迹均保持安全，即使存在跟踪误差。
• Rover 机器人在影片演示之外又完成了 18 次额外实验，全部无碰撞，且在 1.0–1.5 m/s 的速度下成功完成变道和紧急制动。
• 在强制实时限制下（Segway 为 0.5 秒，Rover 为 0.375 秒），RTD 在无碰撞前提下达成的目标数量上优于 RRT 和 NMPC。
• 在 Rover 上使用单一 FRS 适配 1.0–1.5 m/s 多个速度，证明了方法在不同工况下的可扩展性和鲁棒性。
• 离散障碍物表示确保了所有不安全参数均被完整包含在约束集中，从而在可证明的保证下维持安全性。