一种飞行机器人在人类近距离下的路径规划框架
机器人学
2019-03-14 v1
摘要
我们提出一个在飞行机器人存在时考虑人类安全感知的路径规划框架。该框架解决两个目标：（i）基于使用虚拟现实（VR）测试平台收集的测试数据估计所提安全感知模型的不确定参数，以及（ii）使用估计的安全感知模型进行离线最优控制计算。由于人类测试数据中存在未知因素，不适合使用最小化均方误差（MSE）的标准回归技术。我们提出使用隐马尔可夫模型（HMM）方法，将人类注意力视为隐藏状态，以推断数据样本是否与学习安全感知模型相关。HMM 方法相比标准最小二乘解提高了对数似然。对于路径规划，我们使用 Bernstein 多项式进行离散化，因为所得路径保持在控制点的凸包内，以低计算成本提供与障碍物去冲突的保证。给出了使用所学人类模型生成最优轨迹的示例。使用所提模型生成的最优轨迹与人类保持合理的安全距离。相比之下，使用标准回归模型生成的路径由于过拟合而具有不良形状。该示例表明，与标准 MSE 模型相比，HMM 方法对未知因素具有鲁棒性。
引用
@article{arxiv.1903.05156,
title = {A Path Planning Framework for a Flying Robot in Close Proximity of Humans},
author = {Hyung-Jin Yoon and Christopher Widdowson and Thiago Marinho and Ranxiao Frances Wang and Naira Hovakimyan},
journal= {arXiv preprint arXiv:1903.05156},
year = {2019}
}