面向不确定动力学移动机器人运动规划的向量场引导学习预测控制
机器人学
2025-09-23 v4
摘要
在障碍物密集场景中，为移动机器人提供安全引导对于提升安全机动能力至关重要。然而，当穿越障碍物时，标准引导向量场（GVFs）提供的引导可能会因积分曲线曲率不当而限制运动能力。另一方面，在运动规划过程中，机器人系统动力学通常是时变、不确定甚至未知的。因此，许多现有的动力学运动规划方法无法在保证安全性方面达到令人满意的可靠性。为应对这些挑战，我们提出了一种提升安全机动性的双层向量场引导学习预测控制（VF-LPC）方法。第一层为引导层，使用设计的动力学GVF生成安全期望轨迹，实现在障碍物密集环境中的安全运动。第二层为集成运动规划与控制（IMPC）层，首先使用深度 Koopman 算子离线学习标称动力学模型，然后利用稀疏高斯过程在线更新模型不确定性。随后将学习到的动力学与基于博弈的安全屏障函数纳入LPC框架，以生成近最优的规划解。在四旋翼无人机与无人地面车辆上进行了广泛仿真与真实世界实验，证明VF-LPC能使机器人安全机动。
引用
@article{arxiv.2405.08283,
title = {Vector Field-Guided Learning Predictive Control for Motion Planning of Mobile Robots with Uncertain Dynamics},
author = {Yang Lu and Weijia Yao and Yongqian Xiao and Xinglong Zhang and Xin Xu and Yaonan Wang and Dingbang Xiao},
journal= {arXiv preprint arXiv:2405.08283},
year = {2025}
}