[论文解读] SMUG Planner: A Safe Multi-Goal Planner for Mobile Robots in Challenging Environments

Changan Chen, Jonas Frey+2 more|arXiv (Cornell University)|Jun 8, 2023

Robotic Path Planning Algorithms被引用 1

一句话总结

本文提出 SMUG Planner，一种用于移动机器人的安全、高效多目标路径规划器，通过迭代动态规划与带启发式采样的 LazyPRM*，解决具有无碰撞路径的广义旅行商问题（GTSP）。该方法利用分层可通行性验证机制，将规划时间减少30%，实现在粗糙地形上12个以上目标的秒级实时自主导航，已在 ANYmal 四足机器人上得到验证。

ABSTRACT

Robotic exploration or monitoring missions require mobile robots to autonomously and safely navigate between multiple target locations in potentially challenging environments. Currently, this type of multi-goal mission often relies on humans designing a set of actions for the robot to follow in the form of a path or waypoints. In this work, we consider the multi-goal problem of visiting a set of pre-defined targets, each of which could be visited from multiple potential locations. To increase autonomy in these missions, we propose a safe multi-goal (SMUG) planner that generates an optimal motion path to visit those targets. To increase safety and efficiency, we propose a hierarchical state validity checking scheme, which leverages robot-specific traversability learned in simulation. We use LazyPRM* with an informed sampler to accelerate collision-free path generation. Our iterative dynamic programming algorithm enables the planner to generate a path visiting more than ten targets within seconds. Moreover, the proposed hierarchical state validity checking scheme reduces the planning time by 30% compared to pure volumetric collision checking and increases safety by avoiding high-risk regions. We deploy the SMUG planner on the quadruped robot ANYmal and show its capability to guide the robot in multi-goal missions fully autonomously on rough terrain.

研究动机与目标

• 为复杂环境中移动机器人的自主、安全、高效多目标路径规划提供解决方案。
• 实现从多个潜在位姿（PoIs）中快速生成全局最优路径，以访问多个目标，同时避开不安全或通行受限区域。
• 通过用机器人特定的可通行性估计方案替代纯体素碰撞检测，降低计算成本并提升路径规划安全性。
• 在真实世界腿式机器人上部署全局规划器，实现在通信中断、地形复杂的粗糙区域中的完全自主多目标任务。

提出的方法

• 该规划器采用两阶段方法：首先使用 TSP 求解器计算最优访问顺序；其次通过迭代动态规划（IDP）为每个目标选择最优 PoI。
• 采用带启发式采样的 LazyPRM* 高效生成位姿之间的无碰撞路径，显著加速路径计算。
• 采用分层状态有效性检查机制，整合在仿真中学习到的机器人特定可通行性地图，以在路径规划前过滤高风险或不可通行区域。
• 该方法支持执行过程中的重规划，可部署于移动机器人本体，适用于通信中断环境。
• 通过后处理启发式方法对 SE(3) 位姿点进行对齐，以优先选择前向运动方向，提升腿式机器人的运动效率。
• 该规划器在模拟环境及真实世界中对 ANYmal 四足机器人进行了评估，实验环境为具有6个目标和12个 PoIs 的粗糙多坑地形。

实验结果

研究问题

• RQ1 能否设计一种全局多目标规划器，以高效且安全的方式在复杂真实环境中为移动机器人生成无碰撞路径？
• RQ2 在每个目标存在多个候选位姿的多目标任务中，如何在保持安全性和最优性的同时提升规划效率？
• RQ3 与标准体素碰撞检测相比，引入机器人特定的可通行性估计在多大程度上能减少规划时间并提升安全性？
• RQ4 该类规划器能否成功部署于腿式机器人，在粗糙地形上实现完全自主的真实世界多目标任务？

主要发现

• SMUG 规划器在仅 8 秒内生成了访问 12 个目标的安全全局最优路径，相比朴素方法提速 8.9 倍，且未牺牲最优性。
• 基于分层可通行性的有效性检查机制相比纯体素碰撞检测，将总规划时间减少 30%，同时避免了高风险区域。
• 在模拟月球地形的 48 个目标任务中，基于 IDP 的规划器相比标准动态规划将规划时间减少 60–80%，且路径成本保持相近。
• 该规划器成功引导 ANYmal 四足机器人在 4 分 14 秒内自主访问了粗糙碎石地形上的六个目标，仅因路径跟踪误差发生一次轻微碰撞。
• 该方法是首个在移动机器人上实现的、针对 GTSP 的全局规划器，支持无碰撞路径规划，并在真实世界中成功部署，证明了其在自主探索与工业检测中的可行性。
• 使用机器人特定的可通行性地图与启发式采样，显著提升了复杂环境中的安全性与计算效率。