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

1. 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.
2. 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.
3. 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.
4. 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.
5. 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.
6. 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.
7. Bajcsy R. Active Perception // Proceedings of the IEEE. 1988. V. 76(8). P. 966–1005.
8. 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.
9. 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.
10. 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.
11. 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.
12. https://github.com/AutoRally/autorally [Электронный ресурс]
13. 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.
14. 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.
15. 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.
16. 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.
17. 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.
18. 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
19. 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.
20. https://wiki.ros.org/navigation [Электронный ресурс]
21. 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