[论文解读] Mobile Robot Navigation on Partially Known Maps using a Fast A Star Algorithm Version

Paul Muntean|arXiv (Cornell University)|Apr 29, 2016

Robotic Path Planning Algorithms被引用 4

一句话总结

本文提出一种适用于使用超声波传感器的移动机器人在部分已知室内环境中导航的快速A*算法变体。通过基于传感器范围阈值的两种工作模式优化路径规划，该方法实现了显著的速度提升（两个数量级）和更高的效率，尤其在存在多个未知障碍物的环境中表现优异，且在Pioneer 2DX机器人上验证了其完备性与实时可行性。

ABSTRACT

Mobile robot navigation in total or partially unknown environments is still an open problem. The path planning algorithms lack completeness and/or performance. Thus, there is the need for complete (i.e., the algorithm determines in finite time either a solution or correctly reports that there is none) and performance (i.e., with low computational complexity) oriented algorithms which need to perform efficiently in real scenarios. In this paper we evaluate the efficiency of two versions of the A star algorithm for mobile robot navigation inside indoor environments with the help of two software applications and the Pioneer 2DX robot. We demonstrate that an improved version of the A star algorithm (we call this the fast A star algorithm) which (a different version of this algorithm is widely used in video games) can be successfully used for indoor mobile robot navigation. We evaluated the two versions of the A star algorithm first, by implementing the algorithms in source code and by testing them on a simulator and second, by comparing two operation modes of the fast A star algorithm w.r.t. path planning efficiency (i.e., completness) and performance (i.e., time need to complete the path traversing) for indoor navigation with the Pioneer 2DX robot. The results obtained with the fast A star algorithm are promising and we think that this results can be further improved by tweaking the algorithm and by using an advanced sensor fusion approach (i.e., combine the inputs of multiple robot sensors) for better dealing with partially known environments.

研究动机与目标

• 解决在障碍物未预先完全映射的局部已知室内环境中高效且完备的路径规划挑战。
• 通过开发一种更快、更优化的A*变体——'快速A*'——改进传统A*算法，以提升实时机器人导航性能。
• 通过仿真和真实机器人实验，评估该算法的完备性与计算效率。
• 研究传感器范围设置对路径规划性能及动态障碍物场景下恢复行为的影响。
• 探索传感器融合与算法调优在复杂、部分已知环境中进一步提升导航鲁棒性的潜力。

提出的方法

• 实现两种A*算法版本：标准A*与经过节点扩展和启发式评估优化的改进型快速A*算法。
• 采用基于网格的二维环境表示方法，每个单元格对应10×10 cm的区域，将自由空间（C_free）定义为可通行区域，障碍物空间为不可通行区域。
• 引入快速A*算法的两种工作模式（M1与M2），其区别在于是否使用动作限制器及传感器范围阈值（50 mm与225 mm）。
• 在在线测试中，通过Lantronix WiBox实现无线实时通信，将导航指令从PC发送至Pioneer 2DX机器人。
• 使用超声波传感器（探测范围为50 mm或225 mm）在导航过程中检测未知障碍物，动态更新地图与路径信息。
• 通过运行时指标与恢复动作频率对比不同模式下的性能，并利用离线仿真对算法进行初步验证。

实验结果

研究问题

• RQ1 快速A*算法是否能在具有实时约束的部分已知室内环境中实现完备且高效的路径规划？
• RQ2 传感器范围选择（50 mm与225 mm）如何影响路径规划效率及动态障碍物场景下的恢复动作次数？
• RQ3 在存在一个或多个未知障碍物的环境中，快速A*算法的哪种工作模式（M1或M2）表现更优？
• RQ4 快速A*算法在计算速度与路径规划时间方面相较于标准A*的性能优势有多大？
• RQ5 传感器融合与算法调优是否能进一步提升复杂、部分已知环境中导航的性能与鲁棒性？

主要发现

• 在离线仿真中，快速A*算法相比标准A*实现了两个数量级的速度提升，显著改善了计算性能。
• 在仅存在一个未知障碍物的环境中，M1模式（50 mm传感器范围）的路径规划耗时为47秒，优于M2模式的45秒，表明在障碍物稀疏场景下效率更高。
• 在存在两个未知障碍物的环境中，M2模式（225 mm传感器范围）将路径规划时间缩短至40秒，优于M1模式的61秒，原因在于更早探测到障碍物并减少了恢复动作。
• M2模式中传感器范围的增加实现了更早的障碍物探测，降低了对恢复操作的需求，从而提升了整体路径完成时间。
• 快速A*算法在所有测试场景中均成功在有限时间内找到路径，证明了其完备性，确认其在真实导航中的可靠性。
• 结果表明，M2模式更适合于存在多个未知障碍物的复杂环境，而M1模式在更简单、更空旷的环境中表现更优。