Plánování pohybu v úloze uchopování předmětů

Abstract

Tato bakalářská práce se zabývá plánováním pohybu pro mobilní manipulátory v úloze uchopování předmětů ve stísněných prostorech. Vysoký počet stupňů volnosti těchto robotů spolu s omezeními danými překažkami v prostředí, činí tuto úlohu obtížnou pro běžné plánovací algoritmy. V práci zkoumáme dva alternativní přístupy, jejichž cílem je urychlit plánování snížením dimenze prohledávaného prostoru. Nejprve představujeme algoritmus FM-RRT, který využívá struktury mobilního manipulátoru a plánuje pohyb mobilní základny a ramene robota odděleně. Pro tento účel jsme navrhli novou mapu dosažitelnosti (reachability map) ramene, rozšířenou o zohlednění překážek v prostředí, kterou označujeme jako mapu proveditelnosti (feasibility map). Druhý přístup, Latent-J+-RRT, zkoumá možnost urychlení plánování pomocí prohledávání naučené latentní reprezentace konfiguračního prostoru s nižší dimenzí. Oba přístupy jsme otestovali na scénářích z benchmarkového frameworku Jogramop a porovnali s algoritmem J+-RRT, který prohledává kompletní konfigurační prostor robota. Výsledky ukazují, že naše metody mohou v jednoduchých scénářích zaostávat za J+-RRT, avšak ve velmi stísněných prostorech, kde má J+-RRT často problémy, dosahují lepších výsledků.This thesis addresses path planning for robotic grasping with mobile manipulator robots operating in cluttered environments. The high number of degrees of freedom in such systems, combined with environmental constraints, makes these settings challenging for conventional algorithms. We investigate two alternative approaches that aim to accelerate the planning process by reducing the dimensionality of the planning space. First, we introduce the FM-RRT algorithm, which exploits the structure of the mobile manipulator to separately plan the motion of the mobile base and the manipulator arm. To enable this, we also propose a novel obstacle-aware reachability map of the arm, which we refer to as a feasibility map. The second approach, Latent-J+-RRT, examines whether searching in a learned lower-dimensional latent representation of the planning space can improve planning speed. Both proposed methods are evaluated on grasping scenarios from the Jogramop benchmarking framework and compared with the J+-RRT planner, which operates in the robot's full configuration space. Our results show that, while the proposed methods lag behind J+-RRT in simpler scenarios, both approaches often outperform it in highly confined spaces where J+-RRT struggles.