Key points are not available for this paper at this time.
Die sichere Bewegungsplanung für Robotersysteme in dynamischen Umgebungen ist in Anwesenheit unsicherer Hindernisse nicht trivial, wobei die Schätzung der Unsicherheiten von Hindernissen entscheidend ist, um zukünftige Bewegungen dynamischer Hindernisse vorherzusagen. Die Worst-Case-Charakterisierung liefert eine konservative Unsicherheitsprognose und kann zu unpraktikabler Bewegungsplanung für das egoistische Robotersystem führen. In diesem Papier wird ein effizienter, robuster und sicherer Bewegungsplanungsalgorithmus entwickelt, indem die Unsicherheiten von Hindernissen online gelernt werden. Genauer gesagt wird die unbekannte, aber beabsichtigte Kontrollebene der Hindernisse effizient durch die Lösung eines Problems der linearen Programmierung berechnet. Die erlernte Kontrollebene wird verwendet, um vorwärts erreichbare Mengen von Hindernissen zu berechnen, die weniger konservativ sind als die Worst-Case-Prognose. Basierend auf der Vorhersage wird ein robuster modellprädiktiver Regler entworfen, um eine sichere Referenztrajektorie für das egoistische Robotersystem zu berechnen, die über den Vorhersagehorizont außerhalb der erreichbaren Hindernismengen bleibt. Die Methode wird sowohl in Simulationen als auch in Hardware-Experimenten an einem autoähnlichen mobilen Roboter angewendet, um ihre Wirksamkeit zu demonstrieren.
Zhou et al. (Sun,) untersuchten diese Frage.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: