Robust Predictive Motion Planning by Learning Obstacle Uncertainty

在动态环境中为机器人系统进行安全的运动规划是一项非常复杂的任务，尤其是在存在不确定障碍物的情况下，障碍物不确定性的估计对于预测动态障碍物未来的运动至关重要。最坏情况的特征给出了保守的不确定性预测，可能导致自主机器人系统的运动规划不可行。本文通过在线学习障碍物的不确定性，开发了一种高效、强健和安全的运动规划算法。更具体地说，通过解决线性规划问题，有效地计算出障碍物的未知但预期控制集。利用学习到的控制集，计算出障碍物的前向可达集，这些集合比最坏情况预测更加保守。基于前向预测，设计了一个强健的模型预测控制器，用于计算自主机器人系统的安全参考轨迹，使其在预测时间内保持在障碍物的可达集之外。该方法在仿真和硬件实验中应用于小汽车式移动机器人，证明了其有效性。

本论文旨在解决在动态环境中进行安全运动规划的问题，其中障碍物的不确定性估计对于预测动态障碍物的未来运动至关重要。

该论文提出了一种学习障碍物不确定性的在线运动规划算法。通过解决线性规划问题，高效地计算出障碍物的未知控制集。利用学习到的控制集计算出前向可达集，以此来预测未来障碍物的运动。基于前向预测，设计了一个鲁棒的模型预测控制器，计算出一个安全的参考轨迹，使得自主机器人系统在预测时间内始终保持在障碍物的可达集之外。

该方法在仿真和硬件实验中应用于小车式移动机器人，证明了其有效性。该论文的亮点包括：学习障碍物不确定性的在线运动规划算法，前向可达集的计算，以及鲁棒的模型预测控制器的设计。

在相关研究中，最近也有一些类似的工作，如“Safe Control of Dynamic Robotic Systems: A Unified Approach to Avoiding Dynamic Obstacles and Guaranteeing Stability”，“Robust and Safe Motion Planning for Autonomous Vehicles in Dense Urban Traffic”，“A Learning-Based Approach to Motion Planning for Autonomous Vehicles in the Presence of Dynamic Obstacles”。