Исследование возможностей использования метода поисковых случайных деревьев в решении задач планирования перемещений автономных роботов

Проанализированы особенности и дана оценка перспектив применения метода поисковых случайных деревьев для планирования перемещений автономных роботов. Отмечается, что расширение областей прикладного применения современной робототехники неразрывно сопряжено с повышением уровня функциональных возможностей и совершенствованием конструкций создаваемых образцов, для которых размещение манипулятора на мобильной платформе становится типовым вариантом компоновки. На основе обзора литературы и обобщения экспериментальных данных показано, что использование метода поисковых случайных деревьев и его базовых модификаций открывает принципиальную возможность разработки универсального планировщика движений для мобильных и манипуляционных роботов, включая робототехнические системы с размещением бортового манипулятора (в том числе с избыточной или реконфигурируемой структурой) на транспортной платформе. По итогам проведенного анализа установлено, что эффективность применения метода поисковых случайных деревьев во многом определяется задаваемым параметром фактора роста. Предложена децентрализованная версия метода поисковых деревьев со встречным ростом, позволяющая обеспечить планирование перемещений автономных мобильных роботов по ходу их взаимного сближения и последующей стыковки. Принципиальная реализуемость автоматической стыковки автономных роботов в среде с препятствиями подтверждается результатами тестовых натурных испытаний.

1. LaValle S. M., Kuffner J. J. Rapidly-exploring random trees: Progress and prospects // 2000 Workshop on the Algorithmic Foundations of Robotics. 2000. P. 293—308.

2. LaValle S. M., Kuffner J. J. Randomized Kinodynamic Planning // International Journal of Robotics Research. 2001. Vol. 20, N. 5. P. 378—400.

3. Karaman S., Frazzoli E. Sampling-based algorithms for optimal motion planning // International Journal of Robotics Research. 2011. Vol. 30, N. 7. P. 846—894.

4. Solovey K., Janson L., Schmerling E., Frazzoli E., Pavone M. Revisiting the asymptotic optimality of RRT // 2020 IEEE International Conference on Robotics and Automation. 2020. P. 2189—2195.

5. Adiyatov O., Varol H. A. A novel RRT-based algorithm for motion planning in Dynamic environments // 2017 IEEE International Conference on Mechatronics and Automation. 2017. P. 1416—1421.

6. Chengren Y., Guifeng L., Wenqun Z., Xinglong P. An efficient RRT cache method in dynamic environments for path planning // Robotics and Autonomous Systems. 2020. Vol. 131.

7. Qureshi A. Ayaz Y. Intelligent bidirectional rapidly-exploring random trees for optimal motion planning in complex cluttered environments // Robotics and Autonomous Systems. 2015. Vol. 68. P. 1—11.

8. LaValle S. M., Kuffner J. J. RRT-Connect: An Efficient Approach to Single-Query Path Planning // IEEE International Conference on Robotics and Automation. Vol. 2. P. 995—1001.

9. Manko S. V., Lokhin V. M., Diane S. K. Pototype multiagent robotic debris removal system: principles of development and experimental studies // Russian Technological Journal. 2022. Vol. 10(6). P. 28—41 (in Russian).

10. Seo J., Paik J., Yim M. Modular reconfigurable robotics // Annual Review of Control, Robotics, and Autonomous Systems. 2019. Vol. 2. P. 63—88

11. Liu C., Lin Q., Kim H., Yim M. SMORES-EP, a modular robot with parallel self-assembly // Autonomous Robots. 2023. Vol. 47, N. 2. P. 211—228.

12. Vahrenkamp N., Kuhn E., Asfour T., Dillmann R. Planning Multi-Robot Grasping Motions // 2010 10th IEEE-RAS International Conference on Humanoid Robots. Humanoids, 2010. P. 593—600.