在动态且拥挤环境中的机器人导航

《IEEE Transactions on Control Systems Technology》：Robot Navigation in Dynamic and Crowded Environments

移动机器人社交行为规划与运动规划协同优化方法，提出基于图结构的冻结区域构建提升安全性，设计社会行为采样策略和反向优化算法生成动态适应性行为路径，结合可达集采样与碰撞风险评估实现高效安全运动规划，实验验证了速度和碰撞风险的优化效果。

　　

摘要：

移动机器人在各种场景中的应用日益增多。然而，在充满移动障碍物且目标意图不确定的拥挤环境中导航对机器人来说是一个重大挑战。为了解决这一挑战，我们提出了一种基于社交的新规划框架，该框架结合了行为规划和运动规划，以生成安全高效的机器人导航路径。在行为规划阶段，我们首先设计了一种基于图的方法来构建“冻结区域”，以提高安全性。接着，我们构建了成本函数，并提出了社交行为采样策略，以适应动态环境生成行为路径。随后，我们设计了反向优化算法，能够高效地在连续空间中直接优化行为路径。在运动规划阶段，我们开发了基于前向可达集（FRS）的算法来生成满足运动学约束的路径。此外，我们还设计了一种碰撞风险评估方法，通过考虑机器人与人之间的互动来确定最佳运动路径。实验和对比研究证实了所提出的路径规划方法在平均移动速度和碰撞风险方面的优势。

引言

在拥挤和动态环境中安全快速地导航是服务机器人和自动快递车辆的基本要求。从起点到给定目标的路径规划对于确保此类应用中的安全导航至关重要。在本文中，我们研究了机器人在拥挤和动态环境中的路径规划问题。根据机器人与移动障碍物之间的互动方式，路径规划方法可以分为基于势场的方法、基于速度空间的方法以及基于社交感知的方法。