# 中文标题 GAR-Tracker:非完整约束下基于伯恩斯坦多项式运动基元的地面辅助机器人目标可见轨迹规划

《IEEE Transactions on Affective Computing》:GAR-Tracker: Target-Visible Trajectory Planning for a Ground Assistant Robot

【字体: 大 中 小 】 时间:2026年09月18日 来源:IEEE Transactions on Affective Computing 11.3

编辑推荐:

  # 摘要翻译 从运动规划角度研究的目标跟踪一直以无人机为主要平台,这得益于其灵活性和易于控制的特性,特别是位置与偏航控制可以实现解耦。然而,在室内环境中,由于安全和噪声问题,无人机的使用常常受到限制,这促使了对地面机器人跟踪自主性的需求。为此,本文提出了一种面

  
# 摘要翻译
从运动规划角度研究的目标跟踪一直以无人机为主要平台,这得益于其灵活性和易于控制的特性,特别是位置与偏航控制可以实现解耦。然而,在室内环境中,由于安全和噪声问题,无人机的使用常常受到限制,这促使了对地面机器人跟踪自主性的需求。为此,本文提出了一种面向配备有限视场角(Field-of-View, FOV)固定相机且无云台辅助的轮式机器人的规划框架,以应对非完整约束(nonholonomic constraints)带来的挑战。研究人员提出了一种基于伯恩斯坦多项式运动基元(Bernstein Polynomial Motion Primitive, BPMP)的采样-检查-选择方法,适用于差分驱动机器人,能够有效处理非结构化环境和动态障碍物场景。与以往基于BPMP的工作不同,该方法明确考虑了轨迹对航向方向的影响及其对跟踪性能的作用,从而能够在非完整约束下实现有效跟踪。此外,为提高跟踪成功率,研究人员缓解了现有基于BPMP方法中的保守性。最后,研究人员展示了该方法在多种真实环境中的适用性,并进一步验证了其在具有数十个动态障碍物的受限空间等挑战性场景中的有效性。
# 论文解读

## 一、研究背景与问题

目标跟踪技术在电影摄影、监控安防以及护理和仓储辅助等服务型任务中具有广泛应用。长期以来,多旋翼无人机(multi-rotor drones)凭借其紧凑性和高机动性,一直是目标跟踪研究的主要平台。无人机的核心优势在于其平移控制与偏航(yaw)控制可以相互解耦,这使得航向调整不会影响平移路径的执行。然而,在室内环境中,无人机的使用因安全问题(如旋翼伤人风险)和噪声干扰而受到严重限制,地面机器人因此成为更安全、更实用的替代方案。

尽管针对轮式机器人已有多种轨迹规划算法,但专门面向目标跟踪的规划方法相对稀缺。对于地面轮式机器人,特别是差分驱动(differential-drive)平台,偏航与平移之间存在紧密耦合——空间运动直接决定了航向,这与无人机的解耦特性截然不同。当机器人配备固定有限视场角(Field-of-View, FOV)前向相机且无云台(gimbal)辅助时,这种耦合使目标跟踪面临严峻挑战:目标可能随时离开相机的有限视场而丢失。虽然部分研究通过采用麦克纳姆轮(mecanum wheels)平台或将相机安装于云台上来规避此问题,但这些方案显著增加了地面辅助机器人的构建成本。鉴于当前大量商用服务机器人采用固定相机和差分驱动配置,开发一种专为此类平台量身定制的跟踪轨迹规划器,具有重要的成本效益和实际应用价值。

## 二、研究概述与重要意义

针对上述挑战,Yunwoo Lee等研究人员(其中Seungwoo Jung、Sangjin Han和Seungyeon Yoo为同等贡献者)提出了GAR-Tracker——一种面向配备固定有限FOV相机的单轮模型(unicycle model)机器人的目标跟踪轨迹规划器。该研究采用基于伯恩斯坦多项式运动基元(Bernstein Polynomial Motion Primitive, BPMP)的采样-检查-选择策略,在整个规划过程中明确考虑平移与航向之间的耦合关系,从而在非完整约束条件下生成目标可见、无碰撞且动力学可行的轨迹。此外,研究人员针对现有BPMP方法中可行性检查的保守性问题进行了改进,通过重新分配非负裕度来扩展可行区域,显著提高了在密集动态障碍物环境中的跟踪成功率。广泛的仿真和真实世界实验验证了该规划器在非结构化环境和动态环境中的适用性和有效性。该论文发表在《IEEE Transactions on Affective Computing》。

## 三、关键技术方法概述

研究所采用的核心技术方法如下:(1)基于伯恩斯坦多项式运动基元(BPMP)的轨迹表示,利用伯恩斯坦多项式的凸包性质(convex-hull property)实现快速轨迹规划,每次重规划时以机器人当前位姿定义新坐标系,用三次伯恩斯坦多项式描述机器人轨迹;(2)采样策略方面,通过求解一个包含终端位置约束和终端速度方向与目标运动方向对齐约束的最优控制问题,生成连接当前状态与目标采样点的光滑运动基元,采样范围围绕目标在规划时段末端的位置,并按FOV约束设定方位角采样区间;(3)可行性检查方面,利用伯恩斯坦多项式的凸包性质和乘法封闭性(multiplicative closure property),通过系数间的算术运算高效检查碰撞避免、遮挡避免、FOV约束、旋转速率约束、目标距离约束和动力学约束等六类条件,其中遮挡检查方法通过引理2减少了保守性;(4)最优轨迹选择方面,从可行轨迹中选取最小化终端角度偏差和整个时段内距离偏差的轨迹。输入数据方面,目标位置通过目标检测的边界框(bounding box)中心和深度图像估计,静态障碍物信息通过深度图像反向投影生成的点云获取,动态障碍物和目标未来轨迹则利用扩展卡尔曼滤波器(Extended Kalman Filter, EKF)结合恒定速度模型进行预测。验证平台包括Cosys-AirSim高保真仿真环境以及基于ROAS Former商用差分驱动机器人、ZED2相机和NVIDIA Jetson Orin NX计算平台的真实世界实验系统。

## 四、研究结果

**A. 适用性验证(Applicability Validation)**

研究人员首先在Cosys-AirSim仿真环境中进行了验证。场景设置为充满各类家具的室内空间,10名行人在其中移动,一台携带物品的辅助机器人需要跟踪其主人。尽管物理引擎计算负载沉重,机器人仍成功实现了对目标的跟踪,平均重规划时间仅1.8毫秒。随后,研究人员在三个不同的真实世界场景中进行了实验验证:场景1中,目标在大厅内沿八字形路径绕行走廊和立柱,机器人全程未与环境发生碰撞,从机器人到目标的视线向量与障碍物无交叉,表明目标未被遮挡;场景2中,交通锥散布于区域内,目标沿高曲率蜿蜒路径穿行,机器人有效调整航向并成功保持跟踪;场景3中,目标穿过办公室外的沙发区,进入室内并通过狭窄走廊,机器人即使在杂乱空间中也表现出色。三个场景共同证明了规划器在多样化环境中的鲁棒性。

**B. 性能验证(Performance Validation)**

在动态障碍物环境中(12×12 m2空间),研究人员使用多机器人轨迹规划算法DLSC-GC生成动态物体的运动轨迹,将其中一条指定为目标轨迹,其余作为动态障碍物轨迹。目标与障碍物之间保持至少1.33 m的最小间距,以最高0.71 m/s的速度移动。研究人员将障碍物数量从5个逐步增加至35个,每个案例运行1000次不同场景,每次平均持续60.1秒。与基于Lyapunov函数的控制方法[17]和基于序列凸规划的方法[18]相比:前者仅能处理单个障碍物,随障碍物增多成功率显著下降;后者将目标可见性视为软约束(soft constraint),优化可能在约束未严格满足时即终止。GAR-Tracker将所有约束作为硬约束(hard constraint)强制执行,并纳入障碍物的预测未来运动,因此即使障碍物密度增加,仍能保持高成功率。算法运行时间方面,GAR-Tracker能以超过100 Hz的频率进行规划更新,足以快速响应动态障碍物。

消融研究表明,考虑相机FOV和机器人航向方向的采样与检查方法显著提升了跟踪性能。在无障碍空旷空间中,省略FOV相关约束的变体方法成功率明显降低。

在更紧凑空间(10×10 m2,可导航面积减少30.5%,目标路径曲率增加1.2倍)的遮挡检查方法对比中,与[7](检查σ1, σ2, σ3 ≥ 0)和[8](检查σ'1, σ'2, σ'3 ≥ 0)相比,GAR-Tracker的改进方法(检查σ"1, σ"2, σ"3 ≥ 0,其中σ"2 = σ'2 + min(s'1, s'3))通过重新分配σ'1和σ'3的非负裕度来放宽对σ'2的约束,在动态障碍物密集场景中找到了更多可行运动,成功率显著高于其他BPMP方法。此外,与无人机规划器[7]和[8]的直接差分驱动适配版本的对比表明,GAR-Tracker的成功率提高了数十个百分点,证明该方法并非微小调优,而是对非完整约束地面机器人目标跟踪的必要重新设计。

**C. 局限性(Limitation)**

当目标靠近机器人并迫使其后退,同时有障碍物从后方接近时,由于差分驱动机器人无法横向移动,不可避免会发生碰撞。研究人员指出,克服这一局限需要硬件层面的重新设计以放宽非完整约束。

## 五、研究结论

研究人员提出了GAR-Tracker,一种面向配备固定有限FOV相机的单轮模型机器人的跟踪轨迹规划器。该工作采用基于伯恩斯坦多项式运动基元的采样-检查-选择策略,同时明确考虑了平移与航向方向之间的耦合关系,从而在非完整约束下实现目标可见、无碰撞的轨迹。广泛的仿真和实验证实,所提出的规划器适用于非结构化环境和动态环境,且相较于现有最先进方法,降低保守性的检查方法在密集障碍物场景中能够实现更高的成功率。该研究为在室内受限环境中部署低成本、固定相机配置的差分驱动服务机器人提供了有效的轨迹规划解决方案,具有重要的理论价值和实际工程意义。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号