基于感知约束的场景图下采样式运动规划

随着机器人在如家中、工作场所和医院等拥挤的人类中心环境中作业，其常被要求在执行任务时维持对人员或多个对象的感知约束，以确保安全和可靠性。然而，现有的感知感知方法通常聚焦于低自由度系统，或仅在高自由度机器人上下文中考虑单个对象。这促使我们考虑在感知约束下为高自由度机器人进行感知感知运动规划。我们采用场景图表示环境，由于其丰富的语义和空间信息，具有将长期程度任务和运动规划集成于一中的潜力。然而，场景图未能捕捉感知约束信息（如用户偏好的观察视点）。为此，我们提出了 MOPS-PRM，一种基于路标的运动规划器，将观察多个对象或人类的感知成本直接集成到高自由度机器人的运动规划中。该感知成本作为场景图中每个对象的一部分嵌入，并用于选择路标构建的配置，从而在隐式地强制执行感知约束。我们在大量仿真和实际实验中验证了该方法，在感知约束基线方法的平均检测对象数上提高约 36%，跟踪率提高约 17%，而规划时间和路径长度基本保持一致。