基于速度障碍的蒙特卡洛树搜索用于动态环境中的安全高效运动规划
人工智能
2025-01-17 v1 机器人学
摘要
在线运动规划对于在具有动态障碍物（例如人群）的密集环境中移动的智能机器人而言是一个具有挑战性的问题。在本工作中，我们提出了一种在仅有动态障碍物最少信息的情况下进行最优且安全的在线运动规划的新方法。具体而言，我们的方法仅需障碍物的当前位置及其最大速度，而不需要关于其精确轨迹或动态模型的任何信息。所提方法将用于通过模型仿真进行在线最优规划的蒙特卡洛树搜索 (MCTS) 与用于避障的速度障碍 (VO) 相结合。我们在包含墙壁以及多达 40 个以随机速度和方向移动的动态障碍物的杂乱仿真环境中进行了实验。通过消融研究，我们展示了 VO 在提升 MCTS 效率、在仿真树中选择最安全且回报最高动作方面的关键贡献。此外，我们展示了我们的方法相对于包括非线性模型预测控制 (NMPC) 在内的 state-of-the-art 规划器的优越性，体现在碰撞率、计算和任务性能方面的改善。
引用
@article{arxiv.2501.09649,
title = {Monte Carlo Tree Search with Velocity Obstacles for safe and efficient motion planning in dynamic environments},
author = {Lorenzo Bonanni and Daniele Meli and Alberto Castellini and Alessandro Farinelli},
journal= {arXiv preprint arXiv:2501.09649},
year = {2025}
}