Распределенное планирование движения для группы совместно переносящих груз роботов с учетом свойств опорных поверхностей

Рассматривается задача планирования траектории движения строем группы мобильных наземных роботов (МР) с учетом неоднородности параметров сцепления колес роботов с опорной поверхностью. Проведен краткий анализ существующих методов решения задачи планирования траектории и сформулирован вывод о необходимости дополнительного исследования для решения рассматриваемой в статье задачи. В работе предложен метод решения данной задачи, основанный на выборке (Sampling-based). В качестве базового алгоритма использован алгоритм быстрорастущего случайного дерева (RRT). Преимуществом, общим для методов, основанных на выборке, является простота введения различных нелинейных ограничений (например, препятствий, дифференциальных ограничений и т. д.). Помимо этого, благодаря древовидной структуре данных этого алгоритма возможно распараллеливание алгоритма. Недостатком предлагаемого метода является высокое потребление бортовых вычислительных ресурсов и, как следствие, значительная длительность расчета. В связи с этим в работе дополнительно предложена модификация рассматриваемого метода, позволяющая проводить вычисление на всех роботах группы одновременно. Также выполнен сравнительный анализ распределенного и не распределенного методов. Показаны пути и методы повышения эффективности работы обоих методов. Основным преимуществом предложенного метода является то, что он позволяет использовать практически любые модели взаимодействия движителя робота с опорным основанием для последующего расчета ограничений на ускорение движения робота по определенной поверхности. При этом модели взаимодействия движителя робота с опорным основанием в данной статье не рассмотрены, а использованы допустимые значения тангенциальных и нормальных ускорений, полученные опытным путем для конкретных условий и моделей мобильных роботов. В статье приведены результаты моделирования планирования движения строя МР с учетом свойств опорных поверхностей. Полученные результаты моделирования подтверждают эффективность предложенных методов для решения задачи планирования движения строя МР с учетом свойств опорных поверхностей.

1. Галустян Н. К. Децентрализованное управление группой квадрокоптеров. Москва, Автореферат диссертации к.т.н., 2017. 17 с.

2. Иванов Д. Я. Формирование строя группой беспилотных летательных аппаратов при решении задач мониторинга // Известия ЮФУ. Технические науки. 2012. № 4. С. 219—224.

3. Dorigo M. Swarmanoid: A Novel Concept for the Study of Heterogeneous Robotic Swarms // IEEE Robotics and Automation Magazine. 2013. Vol. 20, N. 4. P. 60—71.

4. Robotic Autonomy in Complex Environments with Resiliency (RACER). DARPA. 2022. URL: https://www.darpa.mil/program/robotic-autonomy-in-complex-environments-with-resiliency

5. Градецкий В. Г., Ермолов И. Л., Князьков М. М., Лапин Б. С., Семенов Е. А., Собольников С. А., Суханов А. Н. Система группового транспортного управления мобильными наземными роботами на различных грунтах // Робототехника и техническая кибернетика. 2020. Т. 8, № 1. С. 61—71.

6. Svensson L., T rngren M. Fusion of Heterogeneous Friction Estimates for Traction Adaptive Motion Planning and Control // IEEE International Intelligent Transportation Systems Conference (ITSC), Indianapolis, IN, USA. 2021. P. 424—431, doi: 10.1109/ITSC48978.2021.9564993.

7. Mercy T., Hostens E., Pipeleers G. Online motion planning for autonomous vehicles in vast environments. // Proceedings of the 2018 International Workshop on Advanced Motion Control. Tokyo. 2018.

8. Mercy T., Van Parys R., Pipeleers G. Spline-based motion planning for autonomous guided vehicles in a dynamic environment // IEEE Transactions on Control Systems Technology. November. 2018. Vol. 26, N. 6. P. 2182—2189.

9. Van Parys R., Pipeleers G. Spline-Based Motion Planning in an Obstructed 3D environment // Proceedings of the 20th IFAC World Congress. Toulouse, France. 9—14 July 2017. P. 8998—9003.

10. LaValle S. M. Planning Algorithms. Cambridge University Press, 2006. 842 p.

11. Казаков К. А., Семенов В. А. Обзор современных методов планирования движения // Труды ИСП РАН. 2016. Т. 28, № 4. С. 241—294.

12. LaValle S. M. Rapidly-exploring random trees: A new tool for path planning. Technical Report. Computer Science Department, Iowa State University, 1998.

13. Choi J. W., Curry R. E., Elkaim G. H. Continuous Curvature Path Generation Based on B’ezier Curves for Autonomous Vehicles // IAENG International Journal of Applied Mathematics. 2010. Vol. 40, N. 2. P. 91—101.

14. Catmull E., Rom R. A class of local interpolating splines // Computer Aided Geometric Design. New York: Academic Press, 1974. P. 317—326.

15. Karaman S., Frazzoli E. Sampling-based Algorithms for Optimal Motion Planning // arXiv:1105.1186 [cs.RO]., May 2011.

16. Xiao S., Bergmann N., Postula A. Parallel RRT* architecture design for motion planning // 27th International Conference on Field Programmable Logic and Applications (FPL). 2017. P. 1—4.

17. Scaling Python made simple, for any workload. Ray. 2022. URL: https://www.ray.io/ (дата обращения: 10.4.2022).

18. A High Performance Python Compiler. Numba. 2022. URL: https://numba.pydata.org/ (дата обращения: 10.04.2022).