ZAPP! Zonotope Agreement of Prediction and Planning for Continuous-Time Collision Avoidance with Discrete-Time Dynamics

过去几年来，在确保移动机器人安全、广泛部署的两个关键方面取得了巨大进展：预测多个主体的不确定运动和在不确定性下规划机器人运动。然而，每个方面所需的数值方法导致了预测和规划表示之间的不匹配。在预测中，通常通过粗略离散化时间，并将多模态多主体交互表示为具有无限支持的分布来实现数值可行性。另一方面，安全规划通常需要非常细致的时间离散化，配合具有紧凑支持的分布，以减少保守性并确保数值可行性。结果是，当现有的预测器与规划和控制相结合时，人们经常会发现不安全的运动计划。本文提出了ZAPP（预测和规划的区间协议）来解决表示不匹配的问题。ZAPP将预测友好的粗略时间离散化和规划友好的区间不确定性表示结合起来；该方法还使得通过区间碰撞检查进行差分成为可能，从而允许在基于梯度的优化框架内集成预测和规划。数值实验表明，与交互场景中的基线相比，ZAPP可以产生更安全的轨迹。

解决问题：论文旨在解决机器人运动预测和规划之间的表示不匹配问题，提出了一种新的方法来解决这个问题。

关键思路：论文提出了一种名为ZAPP的方法，将粗略的时间离散化和zonotope不确定性表示结合起来，以解决表示不匹配问题，并在梯度优化框架内集成了预测和规划。

其他亮点：论文的实验结果表明，ZAPP方法可以在交互场景中产生比基线更安全的轨迹。论文还介绍了使用的数据集和开源代码，以及未来工作的方向。

相关研究：最近的相关研究包括：《Multi-Agent Motion Prediction With Fuzzy Interactions》、《Probabilistic Multimodal Movement Primitives for Collaborative Mobile Robots》等。