Eine vergleichende Analyse von maschinenlern-basierten und konventionellen Techniken zur Echtzeit-Pfadplanung in der Robotik

Zusammenfassung Die Leistung und Effizienz von Robotern werden stark durch die Bewegungsplanung beeinflusst, die ein wesentlicher Bestandteil der Robotersteuerung ist. Diese Arbeit vergleicht Pfadplanungsalgorithmen, einschließlich traditioneller und maschinenlern-basierter Ansätze, zur Echtzeit-Vermeidung von Hindernissen und Zielverfolgung. Das bewegungsplanende Netzwerk (MPNet), ein lernbasierter neuronaler Planer, wird zusammen mit mehreren etablierten Algorithmen bewertet: dem sicheren künstlichen Potentialfeld (SAPF), dem standardmäßigen künstlichen Potentialfeld (APF), dem Wirbel-APF (VAPF) und dem dynamischen Fensteransatz (DWA). Simulationsergebnisse zeigen, dass MPNet in wichtigen Metriken, einschließlich Pfadeffizienz und Kollisionsvermeidung, konventionelle Techniken übertrifft. Laut Simulationsdaten übertrifft MPNet konventionelle Methoden wie Kollisionsvermeidung und Pfadeffizienz in entscheidenden Bereichen. Diese Ergebnisse demonstrieren die jeweiligen Vorteile und Nachteile jedes Algorithmus und die Wirksamkeit von lernbasierten Strategien wie MPNet bei der Lösung der Herausforderungen, die mit der Echtzeit-Pfadplanung in dynamischen Umständen verbunden sind.