ИНТЕГРАЦИЯ ЛОКАЛЬНОГО И ГЛОБАЛЬНОГО ПЛАНИРОВЩИКОВ В СИСТЕМУ УПРАВЛЕНИЯ МОБИЛЬНЫМ РОБОТОМ
Аннотация
Исследуется проблема интеграции методов локального и глобального планирования
движения в системе управления роботом. Современный уровень технологического разви-
тия позволяет мобильным роботам не только следовать заранее заданным координатам,
но и независимо от оператора принимать решения в реальном времени, реагируя на изме-
нения в окружающей обстановке. Однако, динамическая природа окружающего простран-
ства и ограничения по времени планирования пути, а также высокие скорости мобильных
роботов, усложняют задачи, решаемые алгоритмами планирования. В данной работе рас-
смотрены некоторые методы планирования движения, основанные на клеточной декомпо-
зиции (такие как А*, D* и Wavefront) и процедурах случайного поиска на графах (такие как
быстро растущие случайные деревья RRT и вероятностные дорожные карты PRM), ин-
тегрированные с алгоритмом предсказания траектории движения (DWA). Проведены ис-
следование особенностей работы каждого из перечисленных алгоритмов, а также серия
численных и натурных экспериментов по анализу влияния топологии карты на время вы-
полнения и использование памяти алгоритмами планирования. Исследовано влияние скоро-
сти работы локального и глобального планирования при различных конфигурациях внешней
среды. Для подтверждения эффективности исследуемых алгоритмов планирования пути в
реальных условиях создано программное обеспечение для мобильного робота на базе колес-
ного шасси. В статье приведены структурные и функциональные схемы взаимодействия
реализованных модулей планирования и управления движением мобильного робота и окру-
жающей среды. Также представлена математическая модель колесной платформы, для
которой, на основе рассмотренных методов, разработаны алгоритмы планирования дви-
жения. В данной работе проведена оценка количественных показателей, включая время
расчета алгоритма планирования движения и объем используемой алгоритмами памяти
при различных картах среды. Рассмотрены как среда с произвольно расположенными пре-
пятствиями, так и различные виды лабиринтов. Также описана реализация разработан-
ных алгоритмов в среде ROS-2. Показано, что реализованная система обеспечивает управ-
ление и планирование движения мобильного робота в реальном времени.
Литература
Planning Methods in Two-Dimensional Mapped Environments / In: Ronzhin, A., Sadigov, A.,
Meshcheryakov, R. (eds) Interactive Collaborative Robotics. ICR 2023, Lecture Notes in Computer
Science. Vol. 14214. Springer, Cham, 2023. Available at: https://doi.org/10.1007/978-3-
031- 43111-1_13.
2. Lucet E., Grand C., Sallé D. and Bidaud P. Dynamic yaw and velocity control of the 6WD skidsteering
mobile robot RobuROC6 using sliding mode technique, 2009 IEEE/RSJ International Conference
on Intelligent Robots and Systems, St. Louis, MO, USA, 2009, pp. 4220-4225. DOI:
10.1109/IROS.2009.5354373.
3. Hausamann P., Sinnott C.B., Daumer M. et al. Evaluation of the Intel RealSense T265 for
tracking natural human head motion, Sci. Rep., 2021, 11, 12486. Available at:
https://doi.org/10.1038/s41598-021-91861-5.
4. Kazakov K.A., Semenov V.A. Obzor sovremennykh metodov planirovaniya puti [Review of
modern path planning methods], Trudy ISP RAN [Proceedings of ISP RAS], 2016,
Vol. 28 (4), pp. 241-294.
5. Zhou R., Hansen E.A. Memory-Bounded {A*} Graph Search, The Florida AI Research Society
Conference – FLAIRS, 2002, pp. 203-209.
6. Hart P.E., Nilsson N.J., Raphael B.A. Formal Basis for the Heuristic Determination of Minimum
Cost Paths, IEEE Transactions on Systems Science and Cybernetics, 1968, Vol. 2,
pp. 100-107.
7. Stentz A. Optimal and efficient path planning for partially known environments, In Intelligent
Unmanned Ground Vehicles. Springer, Boston, MA, USA, 1997, pp. 203-220.
8. Murphy R.R. Introduction to AI Robotics. 1st ed. MIT Press: Cambridge, MA, USA, 2000.
9. LaValle S.M., Kuffner J.J. Rapidly-exploring random trees: Progress and prospects, 2000
Workshop on the Algorithmic Foundations of Robotics, 2000, pp. 293-308.
10. Kavraki L.E., Svestka P., Latombe J.-C., Overmars M.H. Probabilistic roadmaps for path planning
in high-dimensional configuration spaces, IEEE Transactions on Robotics and Automation,
1996, Vol. 12 (4), pp. 566-580.
11. Pshikhopov V., Medvedev M., Kostjukov V., Houssein F., Kadhim A. Trajectory planning algorithms
in two-dimensional environment with obstacles, Informatics and Automation, 2022,
21:3, pp. 459-492.
12. Tianran Peng, Jun Qian, Bin Zi, Jiakui Liu, Xingwei Wang, Mechanical Design and Control System
of an Omni-directional Mobile Robot for Material Conveying, Procedia CIRP, 2016, Vol. 56,
pp. 412-415. ISSN 2212-8271. Available at: https://doi.org/10.1016/j.procir.2016.10.068.
13. Pshikhopov V.Kh. (Ed.), Beloglazov D., Finaev V., Guzik V., Kosenko E., Krukhmalev V.,
Medvedev M., Pereverzev V., Pyavchenko A., Saprykin R., Shapovalov I., Soloviev V. Path
Planning for Vehicles Operating in Uncertain 2D Environments. Elsevier, Butterworth-
Heinemann, 2017, 312 p. ISBN: 9780128123058.
14. Macenski T. Foote, Gerkey B., Lalancette C. Woodall W. Robot Operating System 2: Design,
architecture, and uses in the wild, Science Robotics, May 2022, Vol. 7.
15. Pshikhopov V.Kh., Medvedev M.Yu., Gaiduk A.R., Fedorenko R.V., Krukhmalev V.A., Gurenko B.V.
Position-Trajectory Control System for Unmanned Robotic Airship, IFAC Proceedings Volumes
(IFAC-PapersOnline), 2014, pp. 8953-8958.
16. Pshikhopov V., Medvedev M. Multi-Loop Adaptive Control of Mobile Objects in Solving Trajectory
Tracking Tasks, Automation and Remote Control, 2020, Vol. 81 (11), pp. 2078-2093.
17. Bogoslavskyi I., & Stachniss C. Efficient Online Segmentation for Sparse 3D Laser Scans,
PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 2017,
pp. 1-12. Retrieved from https://link.springer.com/article/10.1007%2Fs41064-016-0003-y.
18. Liu C, Xie S, Ma X, Huang Y, Sui X, Guo N, Yang F, Yang X. A Hierarchical Clustering Obstacle
Detection Method Applied to RGB-D Cameras, Electronics, 2023, 12 (10), 2316.
Available at: https://doi.org/10.3390/electronics12102316.
19. Kang D, Wong A, Lee B, Kim J. Real-Time Semantic Segmentation of 3D Point Cloud for
Autonomous Driving, Electronics, 2021, 10 (16), 1960. Available at: https://doi.org/10.3390/
electronics10161960.
20. Phalgun Chintala, Rolf Dornberger, and Thomas Hanne. Robotic Path Planning by Q Learning
and a Performance Comparison with Classical Path Finding Algorithms, International
Journal of Mechanical Engineering and Robotics Research, June 2022, Vol. 11, No. 6,
pp. 373-378. DOI: 10.18178/ijmerr.11.6.373-378.
