不确定性下机器人轨迹优化的蒙特卡罗运动规划

本文提出了一种名为 MCMP（Monte Carlo Motion Planning）的新方法，用于解决不确定性下的运动规划问题，即计算满足概率避碰约束的低成本路径的问题。 MCMP 通过蒙特卡罗采样参考跟踪控制器的执行（在本文中我们考虑 LQG）来估计给定路径的碰撞概率（CP）。 本文的关键算法贡献是统计方差减少技术的设计，即控制变量和重要性抽样，以使这种抽样过程适合实时实施。 MCMP 通过迭代 (i) 计算问题的确定性版本的（近似）最优路径（此处使用 FMT* 算法），将此 CP 估计过程应用于运动规划，（ii）计算该路径的 CP，以及（ iii) 根据 CP 是高于还是低于目标值，以一个公因数对障碍物充气或放气。 MCMP 的优点有三个方面： (i) CP 估计的渐近正确性，与大多数当前的近似相反，如本文所示，后者可能会相差很大倍数并阻碍可行计划的计算； (ii) 速度和可并行性，以及 (iii) 通用性，即该方法几乎适用于任何规划问题，只要路径跟踪控制器和配置空间中的障碍物距离概念可用。 数值结果说明了 MCMP 的正确性（在可行性方面）、效率（在路径成本方面）和计