存在估计不确定性时的鲁棒运动规划

运动规划是一个基本问题，侧重于寻找使机器人能够到达目标区域同时安全避开障碍物的控制输入。然而，在许多情况下，系统状态可能未知，只能通过使用例如卡尔曼滤波器进行估计。这导致了一个新的运动规划问题，其中必须在存在状态估计不确定性的情况下确保安全。此前该问题的解决方法要么保守，要么乐观地整合状态估计从而导致非鲁棒解。乐观解需要频繁重规划以避免危及系统安全。我们针对该问题提出一种新的表述，旨在对状态估计误差鲁棒同时不过度保守。具体而言，我们构建了一个随机最优控制问题，通过引入鲁棒性边界以考虑状态估计误差，从而包含鲁棒化的风险感知安全约束。我们提出了一种基于采样的新方法，构建树以探索捕捉状态估计与未来测量中不确定性的高斯分布可达空间。我们提供了鲁棒性保证，并从理论与仿真上表明，所引入的鲁棒性边界构成了在估计不确定性下规划时保守性与鲁棒性之间的权衡，可由此控制重规划频率。