具有不确定目标检测的多假设路径规划
摘要：在密集障碍物环境中的路径规划是机器人技术中的一个关键挑战，它依赖于推断场景属性和相关不确定性。我们提出了一种多假设路径规划器，旨在使用障碍物检测来导航复杂环境。路径假设是通过推理不确定性和距离生成的，因为初始检测通常在远距离且具有高不确定性，随后的检测会减少这种不确定性。在给定估计的障碍物的情况下，我们构建了一个基于机器人能够安全通过对之间的概率的对象之间的成对连接的图。该图实时更新并修剪不安全的路径，提供概率安全保证。规划器在该图上生成路径假设，然后在安全和路径长度之间进行权衡，智能地优化最佳路径。我们在随机生成的模拟森林上评估了我们的规划器，发现在最具挑战性的环境中，它将导航成功率从20％提高到75％，结果表明，在导航密集环境中，使用不断演化的基于距离的不确定性和多个假设是至关重要的。
作者：Brian H. Wang, Beatriz Asfora, Rachel Zheng, Aaron Peng, Jacopo Banfi, and Mark Campbell
论文ID：2308.07420
分类：Robotics
分类简称：cs.RO
提交时间：2023-08-16