А.Н. Дарьина1, И.В. Прокопьев2
1,2 Федеральный исследовательский центр «Информатика и управление» РАН (Москва, Россия)
Постановка проблемы. Расчет оптимальной траектории в сложных средах со статическими и динамическими ограничениями требует оценки всего пространства возможных состояний и поиска наилучшего решения. Предыдущие методы управления в значительной степени основывались на предварительных расчетах и не могли реагировать на динамические события, появляющиеся в реальном времени. Основная проблема при реализации этого подхода заключается в том, что при расчете оптимального управления необходимо знать не только информацию о модели, но и информацию об окружающей среде в режиме реального времени.
Цель. Разработать метод оптимального управления реальным беспилотным транспортным средством (БТС), функционирующим в сложной производственной среде.
Результаты. Рассмотрена задача оптимизации управления автономным транспортным средством в режиме реального времени с учетом статических и динамических ограничений. Представлены эксперименты с использованием платформы БТС на полигоне в виде сложной производственной среды, которые показали улучшение точности определения локального состояния БТС. Решение задачи представлено на основе модели прогнозирующего интегрального пути с использованием метода активной одновременной локализации и картографирования. Отмечено, что данный метод позволяет рассчитывать оптимальное управление на основе функции стоимости, согласованной с системой локализации и картой занятости, сгенерированной в режиме реального времени.
Практическая значимость. Метод активной одновременной локализации и картографирования может использоваться в мобильной робототехнике, широком классе нелинейных моделей, а также для решения задач оптимального управления БТС с различными ограничениями, в том числе и динамическими.
Дарьина А.Н., Прокопьев И.В. Метод активной одновременной локализации и картографирования на основе модели прогнозирующего интегрального пути для мобильных роботов // Нейрокомпьютеры: разработка, применение. 2021. T. 23. № 6. С. 12−23. DOI: https://doi.org/10.18127/j19998554-202106-02
- Leung C., Huang S., Dissanayake G. Active SLAM using Model Predictive Control and Attractor Based Exploration // Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2006. P. 5026–5031.
- Dellaert F., Kaess V. Square Root SAM: Simultaneous Localization and Mapping via Square Root Information Smoothing // The International Journal of Robotics Research. 2006. V. 25(12). P. 1181–1203.
- Kaess M., Johannsson H., Roberts R., Ila V., Leonard J.J., Dellaert F. iSAM2: Incremental Smoothing and Mapping Using the Bayes Tree // The International Journal of Robotics Research. 2012. V. 31. P. 217–236.
- Thrun S., Montemerlo M. The GraphSLAM Algorithm With Applications to Large-Scale Mapping of Urban Structures // The International Journal of Robotics Research. 2005. V. 25(5-6). P. 403–430.
- Montemerlo M., Thrun S., Koller D., Wegbreit B. FastSLAM: A factored solution to the simultaneous localization and mapping problem // Proceedings of the AAAI National Conference on Artificial Intelligence. 2002. P. 593–598.
- Kschischang F.R., Frey B.J., Loeliger H.A. Factor Graphs and the Sum-Product Algorithm // IEEE Transactions on Information Theory. 2001. V. 47(2). P. 498–519.
- Bajcsy R. Active Perception // Proceedings of the IEEE. 1988. V. 76(8). P. 966–1005.
- Leung C., Huang S., Kwok N., Dissanayake G. Planning Under Uncertainty using Model Predictive Control for Information Gathering // Robotics and Autonomous Systems. 2006. V. 54(11). P. 898–910.
- Scaramuzza D., Fraundorfer F. Visual Odometry [Tutorial]. Part I: The First 30 Years and Fundamentals // IEEE Robotics and Automation Magazine. 2011. V. 18(4). P. 80–92.
- Williams G., Drews P., Goldfain B., Rehg J.M., Theodorou E.A. Aggressive driving with model predictive path integral control // IEEE International Conference on Robotics and Automation. 2016. P. 1433–1440.
- Williams G., Aldrich A., Theodorou E.A. Model predictive path integral control: From theory to parallel computation // Journal of Guidance, Control, and Dynamics. 2017. P. 1–14.
- https://github.com/AutoRally/autorally [Электронный ресурс]
- Daryina A.N., Prokopiev I.V. An optimization method of the unmanned vehicle controller’s parameters based on the optimization of particles’s roy. In: Procedia Computer Science. 14th International Symposium «Intelligent Systems». 2021. P. 787–792.
- Rosenblatt J.K. Optimal selection of uncertain actions by maximizing expected utility // Proc. IEEE Int. Symposium on Computational Intelligence in Robotics and Automation. 1999. P. 95–100.
- Guizilini V., Ramos F. Towards real-time 3d continuous occupancy mapping using hilbert maps // The International Journal of Robotics Research. 2018. V. 37. P. 566–584.
- Daryina A.N., Prokopiev I.V. Unmanned vehicle’s control real-time method based on neural network and selection function. In: Procedia Computer Science. 14th International Symposium «Intelligent Systems». 2021. P. 217–226.
- Hart P.E., Nilsson N.J., Raphael B. Correction to «A Formal Basis for the Heuristic Determination of Minimum Cost Paths» // SIGART Newsletter. 1972. V. 37. P. 28–29.
- Kuwata Y., Teo J., Karaman S., Fiore G., Frazzoli E., How J.P. Motion planning in complex environments using closed-loop prediction // AIAA Guidance, Navigation and Control Conference and Exhibit, Honolulu, HI. 2008. Art. num. AIAA20087166
- Mur-Artal R., Tardós J.D. ORB-SLAM2: an open-source SLAM system for monocular, stereo, and RGB-D cameras // IEEE Transactions on Robotics. 2017. V. 33(5). P. 1255–1262.
- https://wiki.ros.org/navigation [Электронный ресурс]
- Drews P., Williams G., Goldfain B., Theodorou E.A., Rehg J.M. Aggressive Deep Driving: Combining Convolutional Neural Networks and Model Predictive Control. 2017. arXiv:1707.05303