[论文解读] Source Seeking in Unknown Environments with Convex Obstacles

Bruno Augusto Angélico, Luiz F. O. Chamon+3 more|arXiv (Cornell University)|Sep 16, 2019

Extremum Seeking Control Systems被引用 1

一句话总结

本文提出了一种在未知、杂乱环境中，针对具有凸障碍物的自主代理的源寻址导航方法，仅使用标量势能测量和正弦极值搜索控制（ESC）来最小化在线构建的人工势能。该方法即使在缺乏障碍物先验知识或梯度信息的情况下，也能保证无碰撞收敛至源点。

ABSTRACT

Navigation tasks often cannot be defined in terms of a target, either because global position information is unavailable or unreliable or because target location is not explicitly known a priori. This task is then often defined indirectly as a source seeking problem in which the autonomous agent navigates so as to minimize the convex potential induced by a source while avoiding obstacles. This work addresses this problem when only scalar measurements of the potential are available, i.e., without gradient information. To do so, it construct an artificial potential over which an exact gradient dynamics would generate a collision-free trajectory to the target in a world with convex obstacles. Then, leveraging extremum seeking control loops, it minimizes this artificial potential to navigate smoothly to the source location. We prove that the proposed solution not only finds the source, but does so while avoiding any obstacle. Numerical results with velocity-actuated particles, simulations with an omni-directional robot in ROS+Gazebo, and a robot-in-the-loop experiment are used to illustrate the performance of this approach.

研究动机与目标

• 解决在无法获取全局定位信息且仅能获取标量势能测量值的环境中的源寻址问题。
• 实现在未知、非凸空间中，存在凸障碍物但无障碍物位置先验知识情况下的安全导航。
• 开发一种控制策略，确保仅利用局部标量传感器数据即可实现向源点的收敛，同时避免碰撞。
• 通过利用极值搜索控制实现实时势能最小化，从而消除对梯度测量的依赖。
• 在仿真、Gazebo/ROS环境以及真实机器人闭环实验中验证该方法。

提出的方法

• 基于源势能的标量测量值和对凸障碍物的部分知识，实时在线构建人工导航函数（NF）。
• 采用正弦极值搜索控制（ESC）环路，无需梯度测量即可最小化人工势能。
• 利用Koditschek-Rimon导航函数框架，确保在非凸自由空间中实现全局收敛和障碍物避让。
• 在探索过程中检测到新障碍物时，实时动态更新导航函数。
• 实施一种无梯度优化策略，通过周期性扰动和相敏检测来估计最速下降方向。
• 将该方法集成到速度驱动的粒子、ROS+Gazebo中的全向机器人以及一台真实三 omniwheel 机器人中，用于验证。

实验结果

研究问题

• RQ1 机器人是否能够仅利用标量势能测量值且不依赖梯度信息，在未知环境中存在凸障碍物的情况下导航至源点？
• RQ2 极值搜索控制环路是否能够有效最小化由局部测量构建的人工势能，从而实现源寻址？
• RQ3 即使障碍物在事前未知，该方法是否仍能保证无碰撞收敛至源点？
• RQ4 在动态检测障碍物和实时更新导航函数的情况下，系统性能如何？
• RQ5 该方法是否能够在感知和执行能力有限的真实机器人上成功实现？

主要发现

• 所提出的方法在所有测试场景中均成功引导代理到达源点位置，包括完全未知且无任何障碍物先验知识的环境。
• 在Gazebo仿真中使用Neobotix MPO-500机器人，即使仅预先知晓五个障碍物中的三个，机器人仍能无碰撞地抵达源点。
• 真实三 omniwheel 机器人闭环实验表明，尽管违反了定理1的理论假设，仍成功实现了源寻址。
• 机器人实现了收敛，且最大线速度限制在0.6 m/s以内，证实了在实际约束下的鲁棒性。
• 导航函数等值线上的轨迹表现出平滑的梯度跟随行为，证实了有效势能最小化。
• 即使在高环路增益和归一化势能缩放条件下，该方法仍保持稳定性和性能，表明其具备实际可行性。