将控制器行为的随机模型纳入Kinodynamic Efficiently Adaptive State Lattice规划器用于离岸环境中移动机器人运动规划

移动机器人运动规划器依赖理论模型来预测机器人将如何通过世界。然而，在实际部署时，这些模型会因现实物理和下层控制器未遵循计划轨迹的不确定性而产生误差。本文通过提出三种方法，将随机控制器行为纳入Kinodynamic Efficiently Adaptive State Lattice（KEASL）规划器的可重组搜索空间中，以解决此问题。为演示此工作，我们分析了在离岸、非结构化环境中，对Clearpath Robotics Warthog无人地面车辆（UGV）进行的实验结果，采用两种不同的感知算法，并进行了使用全套仿真环境地图复杂度的消融研究。数据分析发现，将随机控制器抽样纳入KEASL会导致更保守的轨迹，从而降低预测碰撞概率。相对于使用扩张障碍物足迹的基线规划，预测碰撞概率更接近，但会降低基线搜索的规划成功率。