[论文解读] Proofs of the Technical Results Justifying a Biologically Inspired Algorithm for Reactive Navigation of Nonholonomic Robots in Maze-Like Environments

Alexey S. Matveev, Michael Hoy+1 more|arXiv (Cornell University)|Nov 21, 2011

Control and Dynamics of Mobile Robots参考文献 7被引用 3

一句话总结

本文为一种受生物启发的反应式导航算法提供了严格的数学证明，该算法使非完整性的Dubins汽车能够在迷宫式环境中仅通过方位角和相对距离障碍物数据，安全地到达目标并避开障碍物。主要贡献在于在最小传感和非完整约束条件下证明了全局收敛性，确保即使在控制不连续和曲率受限的情况下，也能实现安全、避障的路径收敛。

ABSTRACT

We present technical results justifying a method for guidance of a Dubins-like vehicle with saturated control towards a target in a steady simply connected maze-like environment. The vehicle always has access to to the target relative bearing angle and the distance to the nearest point of the maze if it is within the given sensor range. The proposed control law is composed by biologically inspired reflex-level rules. Mathematically rigorous analysis of this law is provided; its convergence and performance are confirmed by computer simulations and experiments with real robots.

研究动机与目标

• 为受动物行为启发的反应式导航策略在迷宫式环境中的数学合理性提供依据。
• 解决现有仅基于方位角的导航算法在非完整约束下缺乏正式收敛证明的问题。
• 证明基于Dubins汽车类型的机器人可仅通过局部、最小化的传感信息，可靠地抵达目标并保持与障碍物的安全距离。
• 验证基于相对方位角和距离变化率符号的不连续控制律的鲁棒性，即使在控制饱和和曲率受限条件下亦成立。
• 通过证明在现实机器人约束（如不可倒车、有限转弯半径）下实现收敛，解决先前算法中的不一致性。

提出的方法

• 导航策略采用两种不同模式：模式𝔸用于长距离目标追踪，利用相对方位角；模式𝔹用于短距离障碍物避让，通过急转弯实现。
• 控制输入由不连续的控制律定义：在模式𝔸中，u = ±ū × sgn(β)；在模式𝔹中，u = sgn(β) 或 −σū，具体取决于与障碍物距离是增加还是减少。
• 系统在Filippov意义下进行分析，以处理控制律中的不连续性。
• 证明依赖于几何论证，包括将机器人位置投影到障碍物边界，以及使用角度度量（球面角）来追踪累积转向角。
• 关键概念包括障碍物边界上的出口弧、'洞穴'（包含所有历史路径的区域）的概念，以及通过目标视线方向的角偏差来强制收敛。
• 理论工具包括路径单调性、角演化以及反证法的引理，用以排除无限循环或非收敛的可能性。

实验结果

研究问题

• RQ1 基于最小传感输入（方位角和距离变化率符号）的反应式导航算法，是否能保证在迷宫式环境中全局收敛至目标？
• RQ2 当先前算法假设曲率无界或具有绝对方向时，如何为非完整性的Dubins汽车在控制饱和和曲率受限条件下证明收敛性？
• RQ3 哪些几何和拓扑条件可确保机器人不会陷入循环或无法脱离障碍物附近区域？
• RQ4 在追求与避让行为之间切换的不连续控制律中，如何维持稳定性并避免振荡？
• RQ5 在缺乏绝对方向或完整障碍物边界追踪的情况下，机器人的路径在何种条件下仍能保持在有界区域内并最终抵达目标？

主要发现

• 所提出的控制律在给定的非完整约束和最小传感条件下，即使在控制不连续的情况下，也能确保全局收敛至目标。
• 证明表明，机器人无法在障碍物周围陷入无限循环，这是通过使用‘洞穴’概念和角偏差界进行反证法得出的。
• 机器人视线与目标连线的累积转向角被严格限制，防止无界旋转，从而确保向目标的持续推进。
• 即使机器人在障碍物周围执行完整环行，只要正确解释相对方位角和距离变化率，该算法依然有效。
• 收敛性对转向方向参数σ的选择具有鲁棒性，证明对σ = +和σ = −均成立，尽管本文重点讨论右转情形。
• 即使机器人无法精确追踪障碍物边界，只要能检测距离导数的符号和相对方位角，结果依然成立。