論文の概要: Online Efficient Safety-Critical Control for Mobile Robots in Unknown
Dynamic Multi-Obstacle Environments
- arxiv url: http://arxiv.org/abs/2402.16449v1
- Date: Mon, 26 Feb 2024 09:53:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-27 13:56:26.571097
- Title: Online Efficient Safety-Critical Control for Mobile Robots in Unknown
Dynamic Multi-Obstacle Environments
- Title（参考訳）: 未知の動的マルチ障害物環境における移動ロボットのオンライン安全臨界制御
- Authors: Yu Zhang, Guangyao Tian, Long Wen, Xiangtong Yao, Liding Zhang,
Zhenshan Bing, Wei He and Alois Knoll
- Abstract要約: 本稿では,LiDARに基づく目標探索・探索フレームワークを提案する。
静的障害物と移動障害物が混在する非構造環境におけるオンライン障害物回避の効率性に対処する。
- 参考スコア（独自算出の注目度）: 13.858175528097032
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper proposes a LiDAR-based goal-seeking and exploration framework,
addressing the efficiency of online obstacle avoidance in unstructured
environments populated with static and moving obstacles. This framework
addresses two significant challenges associated with traditional dynamic
control barrier functions (D-CBFs): their online construction and the
diminished real-time performance caused by utilizing multiple D-CBFs. To tackle
the first challenge, the framework's perception component begins with
clustering point clouds via the DBSCAN algorithm, followed by encapsulating
these clusters with the minimum bounding ellipses (MBEs) algorithm to create
elliptical representations. By comparing the current state of MBEs with those
stored from previous moments, the differentiation between static and dynamic
obstacles is realized, and the Kalman filter is utilized to predict the
movements of the latter. Such analysis facilitates the D-CBF's online
construction for each MBE. To tackle the second challenge, we introduce buffer
zones, generating Type-II D-CBFs online for each identified obstacle. Utilizing
these buffer zones as activation areas substantially reduces the number of
D-CBFs that need to be activated. Upon entering these buffer zones, the system
prioritizes safety, autonomously navigating safe paths, and hence referred to
as the exploration mode. Exiting these buffer zones triggers the system's
transition to goal-seeking mode. We demonstrate that the system's states under
this framework achieve safety and asymptotic stabilization. Experimental
results in simulated and real-world environments have validated our framework's
capability, allowing a LiDAR-equipped mobile robot to efficiently and safely
reach the desired location within dynamic environments containing multiple
obstacles.
- Abstract（参考訳）: 本稿では, 静的かつ移動的な障害物が混在する非構造環境におけるオンライン障害物回避の効率性に対処するLiDARに基づく目標探索・探索フレームワークを提案する。
このフレームワークは、従来の動的制御障壁関数(D-CBF)に関連する2つの重要な課題に対処する。
最初の課題に取り組むために、フレームワークの知覚コンポーネントはDBSCANアルゴリズムを介してクラスタリングポイントクラウドから始まり、次いで最小境界楕円(MBE)アルゴリズムでこれらのクラスタをカプセル化して楕円表現を生成する。
MBEの現在の状態と過去の瞬間から保存した状態を比較することにより、静的障害と動的障害の区別を実現し、カルマンフィルタを用いて後者の動きを予測する。
このような分析は、各MBEに対するD-CBFのオンライン構築を促進する。
第2の課題に取り組むために,バッファゾーンを導入し,特定障害毎に2種類のd-cbfをオンラインで生成する。
これらのバッファゾーンを活性化領域として利用すると、活性化が必要なD-CBFの数が大幅に減少する。
これらのバッファゾーンに入ると、システムは安全を優先し、安全経路を自律的にナビゲートし、探索モードと呼ばれる。
これらのバッファゾーンを出力すると、システムのゴール探索モードへの移行がトリガーされる。
この枠組みに基づくシステムの状態が安全性と漸近安定化を達成することを実証する。
シミュレーション環境と実環境における実験結果から,lidarを搭載した移動ロボットが複数の障害物を含む動的環境内の所望の場所を効率的に安全に到達することを可能にした。
関連論文リスト
- Domain Adaptive Safety Filters via Deep Operator Learning [5.62479170374811]
本稿では,環境パラメータから対応するCBFへのマッピングを学習する自己教師型深層演算子学習フレームワークを提案する。
動的障害物を含むナビゲーションタスクの数値実験により,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2024-10-18T15:10:55Z) - Pareto Control Barrier Function for Inner Safe Set Maximization Under Input Constraints [50.920465513162334]
入力制約下での動的システムの内部安全集合を最大化するPCBFアルゴリズムを提案する。
逆振り子に対するハミルトン・ヤコビの到達性との比較と,12次元四元数系のシミュレーションにより,その有効性を検証する。
その結果,PCBFは既存の手法を一貫して上回り,入力制約下での安全性を確保した。
論文 参考訳（メタデータ） (2024-10-05T18:45:19Z) - Custom Non-Linear Model Predictive Control for Obstacle Avoidance in Indoor and Outdoor Environments [0.0]
本稿では,DJI行列100のための非線形モデル予測制御(NMPC)フレームワークを提案する。
このフレームワークは様々なトラジェクトリタイプをサポートし、厳密な操作の精度を制御するためにペナルティベースのコスト関数を採用している。
論文 参考訳（メタデータ） (2024-10-03T17:50:19Z) - Integrating DeepRL with Robust Low-Level Control in Robotic Manipulators for Non-Repetitive Reaching Tasks [0.24578723416255746]
ロボット工学では、現代の戦略は学習に基づくもので、複雑なブラックボックスの性質と解釈可能性の欠如が特徴である。
本稿では, 深部強化学習(DRL)に基づく衝突のない軌道プランナと, 自動調整型低レベル制御戦略を統合することを提案する。
論文 参考訳（メタデータ） (2024-02-04T15:54:03Z) - Learning Performance-Oriented Control Barrier Functions Under Complex Safety Constraints and Limited Actuation [5.62479170374811]
制御バリア関数(CBF)は非線形制御系力学を制約するエレガントなフレームワークを提供する。
これらの課題に包括的に対処する,新たな自己教師型学習フレームワークを導入する。
本研究では,2次元ダブルインテグレータ(DI)システムと7次元固定翼航空機システムに対するアプローチを検証する。
論文 参考訳（メタデータ） (2024-01-11T02:51:49Z) - Safe Neural Control for Non-Affine Control Systems with Differentiable
Control Barrier Functions [58.19198103790931]
本稿では,非アフィン制御系における安全クリティカル制御の問題に対処する。
制御バリア関数(CBF)を用いて,状態制約と制御制約の2次コストの最適化を2次プログラムのシーケンス(QP)にサブ最適化できることが示されている。
我々は,高次CBFをニューラル常微分方程式に基づく学習モデルに差分CBFとして組み込んで,非アフィン制御系の安全性を保証する。
論文 参考訳（メタデータ） (2023-09-06T05:35:48Z) - Efficient Real-time Smoke Filtration with 3D LiDAR for Search and Rescue
with Autonomous Heterogeneous Robotic Systems [56.838297900091426]
スモークとダストは、搭載された知覚システムに依存するため、あらゆる移動ロボットプラットフォームの性能に影響を与える。
本稿では,重みと空間情報に基づく新しいモジュラー計算フィルタを提案する。
論文 参考訳（メタデータ） (2023-08-14T16:48:57Z) - A real-time dynamic obstacle tracking and mapping system for UAV
navigation and collision avoidance with an RGB-D camera [7.77809394151497]
RGB-Dカメラを用いたクワッドコプター障害物回避のためのリアルタイム動的障害物追跡とマッピングシステムを提案する。
本手法は,動的環境における障害物をリアルタイムに追跡・表現することができ,障害物を安全に回避することができる。
論文 参考訳（メタデータ） (2022-09-17T05:32:33Z) - BarrierNet: A Safety-Guaranteed Layer for Neural Networks [50.86816322277293]
BarrierNetは、ニューラルコントローラの安全性の制約が環境の変化に適応できるようにする。
本研究では,2次元空間と3次元空間における交通統合やロボットナビゲーションといった一連の制御問題について評価する。
論文 参考訳（メタデータ） (2021-11-22T15:38:11Z) - Risk-Averse MPC via Visual-Inertial Input and Recurrent Networks for
Online Collision Avoidance [95.86944752753564]
本稿では,モデル予測制御(MPC)の定式化を拡張したオンライン経路計画アーキテクチャを提案する。
我々のアルゴリズムは、状態推定の共分散を推論するリカレントニューラルネットワーク(RNN)とオブジェクト検出パイプラインを組み合わせる。
本手法のロバスト性は, 複雑な四足歩行ロボットの力学で検証され, ほとんどのロボットプラットフォームに適用可能である。
論文 参考訳（メタデータ） (2020-07-28T07:34:30Z) - Learning Control Barrier Functions from Expert Demonstrations [69.23675822701357]
制御障壁関数(CBF)に基づく安全な制御器合成のための学習に基づくアプローチを提案する。
最適化に基づくCBFの学習手法を解析し、基礎となる力学系のリプシッツ仮定の下で証明可能な安全保証を享受する。
私たちの知る限りでは、これらはデータから確実に安全な制御障壁関数を学習する最初の結果です。
論文 参考訳（メタデータ） (2020-04-07T12:29:06Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。