arXiv:2309.16024

Model Predictive Planning: Trajectory Planning in Obstruction-Dense Environments for Low-Agility Aircraft

Matthew T. Wallace, Brett Streetman, Laurent Lessard

제출 2023-09-27

원문 초록

We present Model Predictive Planning (MPP), a trajectory planner for low-agility vehicles such as a fixed-wing aircraft to navigate obstacle-laden environments. MPP consists of (1) a multi-path planning procedure that identifies candidate paths, (2) a raytracing procedure that generates linear constraints around these paths to enforce obstacle avoidance, and (3) a convex quadratic program that finds a feasible trajectory within these constraints if one exists. Low-agility aircraft cannot track arbitrary paths, so refining a given path into a trajectory that respects the vehicle's limited maneuverability and avoids obstacles often leads to an infeasible optimization problem. The critical feature of MPP is that it efficiently considers multiple candidate paths during the refinement process, thereby greatly increasing the chance of finding a feasible and trackable trajectory. We demonstrate the effectiveness of MPP on a longitudinal aircraft model.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.22974v1cs.RO공통 태그 Navigate, Motion Planning

로봇 내비게이션을 위한 최소 장애물 변위 계획의 호리즌 슬라이싱 접근법

A Horizon-slicing Approach to Minimum Obstacle Displacement Planning for Robot Navigation

본 논문에서는 로봇 동작 계획(motion planning) 관점에서 최소 장애물 변위 계획(Minimum Obstacle Displacement Planning) 문제를 다룬다. 이 문제는 처음에 충돌 없는 경로가 없을 때 이동 가능한 장애물을 변위시켜 목표 지점까지의 실행 가능한 경로를 찾는 것을 포함한다. 우리는 이 문제가 계산적으로 어렵고, 특히 장애물을 평면상의 다각형으로 모델링할 때 NP-hard임을 보인다. 문헌의 다른 문제들을 일반화하는 최소 장애물 변위 문제의 정확한 공식화와 이에 대응하는 최적해 외에, 본 논문은 계산 부담이 더 적은 근사해를 제안하며, 이는 최적해와 최적 비용의 일부만큼만 차이 나며, 경로 길이와 장애물 변위량 사이의 트레이드오프를 조절할 수 있다.

arXiv:2609.24864v1cs.RO공통 태그 Navigate, Motion Planning

명시적 3D 재구성 없이 이미지로부터 직접 수행하는 6-자유도(6-DoF) 궤적 계획을 위한 SE(3) 신경 포텐셜 필드

SE(3) Neural Potential Fields for 6-DoF Trajectory Planning Directly from Images Without Explicit 3D Reconstruction

어수선한 환경(clutter)에서 6-자유도(6-DoF) 파지 자세(grasp pose)에 도달하려면 충돌이 없는 궤적이 필요하며, 기존에는 장면을 3D로 재구성하고 그 재구성 안에서 계획을 수립하는 방식으로 이를 얻었으나, 이는 정확도와 연산 비용을 대가로 치른다. 이미지로부터 직접 학습된 포텐셜 필드(potential field)는 이러한 의존성을 제거하지만, 인공 포텐셜 필드(artificial potential field)의 고전적인 약점을 그대로 물려받는다: 인력(attractive)과 척력(repulsive) 기울기(gradient)가 상쇄되는 지점에서 하강 경로가 장애물을 우회하지 못하고 스치듯 지나가며, 목표에 도달하지 못하고 정체될 수 있다. 우리는 자세가 주어진(posed) RGB 이미지로부터 학습되고, 학습 중 동일한 이미지로부터 복원한 자유 공간(free space)을 통과하는 파지점까지의 측지 거리(geodesic distance)인 내비게이션 함수(navigation function)로 지도(supervise)되는 SE(3) 신경 포텐셜 필드를 제시하며, 이는 두 가지 실패 모두를 제거한다. 두 개의 테이블탑 장면에서, UR10 로봇으로 실행한 장애물로 막힌 시작 지점들로부터, 이 필드는 모든 시작 지점에서 파지점 3cm 이내로 수렴하며 실행되는 모든 경로가 실제 정답(ground-truth) 기하 구조에 대해 충돌이 없는 반면, 이미지 지도만 사용한 경우는 각각 25%와 0%에 그친다. 평균 여유 거리(clearance)는 1cm 미만에서 8.6-8.8cm로 상승하고, 로봇팔 링크 접촉은 실행된 구성(configuration)의 20.6-50.4%에서 2.7-5.5%로 감소한다. 실제 실행된 파지 성공률은 두 장면에서 각각 90.0%와 40.0%이며, 남은 실패는 필드가 아니라 데카르트 실행기(Cartesian executor)의 거부에 기인한다. 계획 수립에는 약 2초가 소요되는데, 동일한 이미지의 재구성에 대한 RRT*의 67-133초와 비교된다. 다만 공통의 오프라인 실험 환경(harness)에서는 두 방법이 비슷한 수준이며, 실제 배포 시 발생하는 마진(margin)은 계획기(planner)의 복잡도가 아니라 밀집 재구성(dense reconstruction)에 대한 충돌 검사 비용에서 비롯된다.

arXiv:2607.20743v1cs.RO공통 태그 Navigate, Trajectory Planning

장애물 회피를 위한 자기지도 생물 모방 로봇 궤적 계획

Self-Supervised Bio-Inspired Robotic Trajectory Planning with Obstacle Avoidance

궤적 계획(trajectory planning)은 로봇공학의 근본적인 문제로, 잠재적으로 복잡한 환경에서 충돌 없고 효율적인 궤적을 생성해야 한다. 샘플링 기반 플래너가 여전히 지배적인 접근법이지만, 특히 고차원 공간과 장애물이 풍부한 환경에서는 계산 비용이 크다. 모델 학습 기반 방법은 신경망 궤적 플래너에 대한 제한된 횟수의 순전파(forward pass)를 통해 효율적인 계획을 가능하게 하는 유망한 대안을 제공하지만, 탐험 또는 전문가 시연에 의존하기 때문에 낮은 샘플 효율성(sample efficiency)이나 제한된 일반화 문제를 흔히 겪는다. 본 후속 연구는 장애물이 포함된 환경에서 순방향 모델(forward model)과 역방향 모델(inverse model)을 내부 감독 메커니즘으로 활용하는 궤적 계획을 위한 신경-생물학적 영감(neuro-inspired) 자기지도 학습(self-supervised learning) 프레임워크를 검증한다. 실험 결과는 이 접근법의 실현 가능성을 보여주면서, 우리 플래너가 순방향 모델과 역방향 모델이 제공하는 학습 신호를 악용하는 경향을 드러낸다. 이 문제를 해결하기 위해 추가적인 학습 체계와 완화(mitigation) 전략을 제안하고 평가한다.

arXiv:2508.19186v2cs.RO공통 태그 Navigate, Motion Planning

폐루프 로봇 반응형 계획을 위한 실시간 모델 체킹

Real-Time Model Checking for Closed-Loop Robot Reactive Planning

반응형 장애물 회피 방법은 종종 한 단계 앞만(즉, 현재 상태에 기반한 다음 행동만) 추론할 수 있기 때문에 에이전트가 국소 최솟값(local minima)에 갇히게 한다. 본 논문에서는 자율 로봇에서 반응형 다단계 계획과 장애물 회피를 달성하기 위해 모델 체킹을 사용한다. 우리의 소규모 맞춤형 모델 체킹 알고리즘은 생물학적 에이전트에서 발견되는 '핵심(core)' 지식과 어텐션에 기반하여 로봇 코드 내 현장(in situ)에서 계획을 생성한다. 이는 사전 계산된 데이터 없이 저전력 장치에서 실시간으로 달성된다. 우리의 접근법은 자율 에이전트가 선호하는 행동(또는 안정 상태)을 방해하는 국소 환경의 교란에 대응하기 위해 생성되는 임시 제어 시스템들을 연쇄적으로 연결하는 것에 기반한다. 우리는 즉각적 환경의 임시 스냅샷에 의존하고 상태 수를 제한함으로써 상태 공간 폭발(state-space explosion)을 완화한다. 깊이 우선 탐색(depth-first search)과 부정된 LTL(Linear Temporal Logic) 경로 속성에 의해 생성된 반례(counter-examples)를 사용한 다단계 계획은 막다른 골목(cul-de-sac)과 독립형 장애물 시나리오에 적용된다. 실험 결과와 두 가지 기본 속성에 대한 비공식 증명은 국소 장애물 회피를 위한 효율적인 다단계 계획 생성에서 우리 접근법의 효과를 보여준다. 우리는 한 단계 앞만 계획할 수 있는 순수 반응형 에이전트와 비교하여 성능을 크게 개선한다. 우리의 접근법은 자율 주행 차량 맥락에서 안전하고 신뢰할 수 있는 내비게이션 개발을 위한 교육적 사례 연구이다. 또한 임무에 중요한(mission-critical) 이동 로봇의 내비게이션에도 일반적으로 적용될 수 있다고 우리는 믿는다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.