Motion Primitives Planning For Center-Articulated Vehicles

自主导航跨越非结构化地形，包括森林和建筑区域，面临着由于错综复杂的障碍和未知因素所带来的独特挑战。在缺乏预先存在的地图的情况下，这些场景需要一种将灵活性与效率结合起来的运动规划方法。至关重要的是，它还必须考虑到机器人的运动约束，以更有效地在复杂环境中导航。本文介绍了一种新的中央铰接车辆（CAV）规划方法，利用基于机载传感的滑动视野规划框架内的运动基元。该方法从离线创建运动基元开始，通过反映中央铰接车辆的独特运动模型进行前向模拟生成。这些基元通过基于启发式的评分函数进行评估，有助于选择最适合实时导航的路径。为了增强这个规划过程，我们开发了一个定制于中央铰接车辆运动规范的姿态稳定控制器。在实验中，我们的方法表现出67%的SPL（路径长度加权的成功率）性能改进，超过了现有策略。此外，我们还通过对一辆树木收割车辆——SAHA进行的实际实验验证了其有效性。

论文提出了一种新的规划方法，以解决中心铰接车辆在未知环境中的自主导航问题。

论文通过生成适用于中心铰接车辆的运动原语，结合启发式评分函数和姿态稳定控制器，提出了一种基于回溯规划的导航方法。

论文在实验中展示了该方法相比现有策略在SPL性能上提高了67％。实验使用了树木收割机车辆SAHA进行验证。

在这个领域中，最近的相关研究包括“基于深度学习的自主导航”和“移动机器人路径规划方法比较研究”。