基于PPUM的滚动时域优化：不确定环境中自主机器人路径规划方法
机器人学
2023-11-27 v1
摘要
理解人群时空模式的能力对于部署在 human 环境中的移动机器人实现长期自主性至关重要。然而，传统的基于历史数据的记忆模型不足以处理异常，导致机器人在估计人群空间分布时推理不佳。本文提出了一种滚动时域优化（RHO）公式，其结合了概率相关的部分更新记忆（PPUM），用于不确定拥挤环境中的机器人路径规划。PPUM充当记忆层，利用加权证据融合理论将实时传感器观测与历史知识结合，以提高机器人对动态环境的适应性。RHO随后利用PPUM作为已知知识生成一条路径，在降低局部运动规划成本的同时最小化遭遇密集人群的可能性。所提方法为机器人在不确定拥挤环境中长期安全人机交互问题提供了创新解决方案。仿真结果表明，在人群分布估计精度、异常适应性和路径规划效率方面，我们的方法相比基准方法具有优越性能。
引用
@article{arxiv.2311.14411,
title = {Receding Horizon Optimization with PPUM: An Approach for Autonomous Robot Path Planning in Uncertain Environments},
author = {Zijian Ge and Jingjing Jiang and Matthew Coombes and Liang Sun},
journal= {arXiv preprint arXiv:2311.14411},
year = {2023}
}