[论文解读] Open-Source, Cost-Aware Kinematically Feasible Planning for Mobile and Surface Robotics

Steve Macenski, Matthew Booker+2 more|arXiv (Cornell University)|Jan 23, 2024

Robotic Path Planning Algorithms被引用 4

一句话总结

本文介绍了 Smac Planner，一个基于 C++ 的开源框架，用于移动和水面机器人的运动学可行路径规划，实现了 2D-A*、Hybrid-A* 和状态格栅规划器的代价感知变体。它在复杂环境中实现了实时性能（39–42ms），相比 SBPL 和 NavFn 提升了数个数量级，现已成为 ROS 2 Nav2 中工业和科研机器人的标准规划系统。

ABSTRACT

We present Smac Planner, an openly available, search-based planning framework that addresses the critical need for kinematically feasible path planning across diverse robot platforms. Smac Planner provides high-performance implementations of Cost-Aware A*, Hybrid-A*, and State Lattice planners that can be deployed for Ackermann, legged, and other large non-circular robots. Our framework introduces novel "Cost-Aware" variations that significantly improve performance in complex environments common to mobile robotics while maintaining kinematic feasibility constraints. Integrated as the standard planning system within the popular ROS 2 Navigation stack, Nav2, Smac Planner now powers thousands of robots worldwide across academic research, commercial applications, and field deployments.

研究动机与目标

• 解决现代移动和水面机器人缺乏高性能、可访问且运动学可行的规划器的问题。
• 开发一个轻量、可扩展的 C++ 框架，以简化基于搜索的规划器的集成。
• 针对移动机器人惯例和性能需求，提出 Hybrid-A* 和状态格栅规划器的代价感知变体。
• 在模拟和真实环境中，将新规划器与成熟框架（SBPL、NavFn、OMPL）进行基准测试。
• 通过标准化、高性能的规划，实现 Ackermann、非圆形和腿式机器人的部署，集成至 ROS 2 Nav2。

提出的方法

• 设计一个模板化 C++ 框架，使新基于搜索的规划器可在约 200 行代码内实现。
• 实现三种核心规划器：2D-A*、Hybrid-A* 和状态格栅规划器，通过运动基元和曲率约束确保运动学可行性。
• 引入代价感知启发函数和遍历函数，优先选择平滑、可行驶的路径，同时最小化路径长度和计算成本。
• 为状态格栅规划器使用预生成的控制集，为 Hybrid-A* 使用 Dubins/Reeds-Shepp 模型，以确保运动学可行性。
• 在所有规划器中应用一致的启发函数和遍历函数，以实现公平的性能比较。
• 将框架集成至 ROS 2 的 Nav2，实现在多种机器人平台上的实际部署。

Figure 1: Large, non-circular industrial robot using Nav2 uniquely enabled by this open-source Framework.

实验结果

研究问题

• RQ1 如何设计一个轻量、开源的框架，以实现移动机器人高性能基于搜索规划器的快速实现？
• RQ2 对 Hybrid-A* 和状态格栅规划器进行哪些修改，才能在复杂环境中实现运动学可行性和实时性能的优化？
• RQ3 与 SBPL 和 NavFn 等成熟框架相比，2D-A*、Hybrid-A* 和状态格栅规划器的代价感知变体在路径质量、计算时间及鲁棒性方面表现如何？
• RQ4 运动学可行规划器在多大程度上可以实现标准化，并集成至主流机器人框架（如 ROS 2 Nav2）？
• RQ5 所提出的规划器是否能在真实世界工业环境中，可靠支持非完整约束、非圆形及 Ackermann 结构的机器人导航？

主要发现

• 代价感知 Hybrid-A* 和状态格栅规划器在 20% 占用率地图中平均运行时间为 39–42ms，相比代价感知 2D-A* 提升约 50%，相比 NavFn 提升约 38%。
• 代价感知 Hybrid-A* 和状态格栅规划器的路径长度相差不超过 0.2%，且与代价感知 2D-A* 生成的最短路径相比仅相差 2.5%。
• SBPL 的状态格栅 ARA* 规划器比 Smac Planner 的代价感知状态格栅规划器慢 150 倍，且路径更长、更不平滑。
• 在真实世界 363,000 平方英尺的仓库中，Smac 的 Hybrid-A* 平均规划时间为 290ms，状态格栅为 473ms，2D-A* 为 1358ms，表明其在密集环境中的卓越可扩展性。
• Smac Planner 首次使 ROS 2 Nav2 支持 Ackermann、大型非圆形及腿式机器人，已在全球十余家组织中部署。
• 该框架的性能与集成使其成为 ROS 2 Nav2 中的标准开源规划系统，显著加速了机器人领域中的研究与部署。

Figure 2: Outline of the A* and key node template methods.