Real Time Collision Avoidance with GPU-Computed Distance Maps

本文提出了利用GPU计算距离变换实现冗余机械臂的反应式障碍和自碰撞避免的实时运动学反馈控制。所提出的框架利用机器人和环境的离散化表示来计算基于任务优先级的运动学控制的3D欧几里得距离变换。环境场景使用实时点云数据创建和更新的3D GPU-voxel地图来表示，而机器人链接模型则在离线状态下转换为体素，并根据机器人的关节状态插入到体素地图中以形成自碰撞地图。所提出的方法使用Tiago机器人进行评估，结果表明即使在快速移动的障碍物下，机器人在实时执行末端执行器姿态跟踪时，所有障碍物和自碰撞避免约束都能够在一个框架内得到尊重。还对依赖于GPU和CPU计算距离场的相关工作进行了比较，以突出GPU距离场的时间性能和精度。

本论文解决的问题是在实时运动控制中，如何使用GPU计算距离变换来实现冗余机械臂的障碍物和自身碰撞避免。

论文提出了一种基于任务优先级的运动学控制框架，利用离散化表示机器人和环境，计算3D欧几里得距离变换，并使用GPU进行计算。机器人模型离线转换成体素，与实时点云数据一起构建3D GPU体素地图，以形成自身障碍物地图。

论文使用Tiago机器人进行评估，结果表明在快速移动障碍物的情况下，机器人可以实时执行末端执行器姿态跟踪，并且避免了所有障碍物和自身碰撞约束。此外，论文还对使用GPU和CPU计算距离场的相关工作进行了比较，突出了GPU距离场的时间性能和精度。

在近期的相关研究中，还有一些类似的工作，如“Real-time obstacle avoidance for redundant manipulators using GPU-accelerated signed distance fields”和“Real-time obstacle avoidance for manipulators and mobile robots in dynamic environments using GPU-accelerated convex signed distance fields”。