麻省理工學院計算機科學與人工智能實驗室的研究人員最近開發了一種機會約束運動規劃系統，該系統可應用于運動不確定性和不完美狀態信息情況下的高自由度(DOF)機器人。在arXiv上預先發表的論文中概述了他們的方法，可以找到滿足用戶指定的碰撞概率界限的可行軌跡。

“這項工作的主要靈感來自現有的機會限制運動規劃者的限制，”進行這項研究的研究人員之一Siyu Dai告訴TechXplore。“我發現許多最先進的運動規劃師都需要將障礙物制成凸形，這對于高維領域的規劃來說是不可行的，例如機械手運動規劃。其他主流機會約束運動規劃師都是基于快速的 - 探索隨機樹(RRT)方法，其中高維規劃任務的速度非常關注。“

為了解決現有運動規劃系統的局限性，戴和她的同事著手開發一種快速反應和機會受限的運動規劃器。這樣的運動規劃器對于完成受到嚴重干擾和有限觀察的任務的機器人特別有用，例如水下操縱。

概率Chekov(p-Chekov)，他們創建的系統，是基于他們以前在確定性運動規劃中的工作，它將軌跡優化集成到稀疏的路線圖框架中。P-Chekov使用線性二次高斯運動規劃方法來估計機器人的狀態概率分布。然后，它將正交理論應用于航路點碰撞風險估計，并采用風險分配方法，為航路點分配允許的故障概率。

“我們論文中開發的機會約束運動規劃系統包括確定性規劃組件和風險評估組件，”戴解釋說。“確定性組件首先構建一個路線圖，該路線圖由基于環境信息的可行無碰撞邊緣組成。在線規劃任務中，它然后從路線圖中搜索可行軌跡并使用軌跡優化器對其進行平滑處理。然后通過該軌跡風險評估部分，根據噪聲估計評估碰撞風險。“

如果由P-Chekov的風險評估組件計算的碰撞風險違反預定義的機會約束，則將軌跡返回到確定性規劃器并添加新約束，以便找到具有較低風險的軌跡。如果碰撞風險滿足機會約束，則系統簡單地執行所提出的軌跡。

與現有的風險意識運動規劃器相反，P-Chekov可以應用于高自由度機器人規劃任務，而不必將障礙物制成凸形。在模擬測試中，系統有效地降低了碰撞的風險，并在高維機器人通常遇到的實際規劃場景中滿足用戶指定的機會約束。

“我們建立了一個機會約束運動規劃系統，可以結合高維運動規劃任務，”戴說。“這意味著機會約束的運動規劃不再局限于駕駛型任務，而是現在可以應用于帶有武器的移動機器人，例如人類支持機器人和水下操縱器，它們可以根據不同的風險等級要求制定計劃“。

在未來，P-Chekov可以應用于各種高維機器人，在不確定的情況下改進其運動規劃。盡管其結果很有希望，但由于次優風險分配和有限數量的正交節點，系統規劃階段的結果有時可能過于保守。

在初步測試中，研究人員已經開始評估可以增強系統效用的技術。同時，他們還計劃改進P-Chekov的碰撞概率估算算法，以進一步提高其避免沖突的能力。

“我們下一步研究的主要方向是改進風險評估算法，以加快整個運動規劃過程，并使規劃人員快速反應，”戴說。