Rychlé plánování pohybu manipulátorů

Abstract

Plánování cest je nezbytné pro navigaci autonomních systémů ve složitých prostředích. Tato práce se zaměřuje na vylepšení a~zobecnění algoritmu Rapidly-exploring Bur Tree (RBT) pro mobilní robotické manipulátory. Tradiční metody jako Rapidly-exploring Random Trees (RRT) a~Probabilistic Road Maps (PRM) mají s~plánováním ve složitých prostředích často potíže. Ačkoli RBT prokázalo vysokou úroveň průzkumných schopností, bylo dříve omezeno na stacionární robotické manipulátory v~podobě řetězu úseček. Přizpůsobili jsme RBT pro mobilní robotické manipulátory a~statisticky vyhodnotili jeho výkonnost v~různých uchopovacích úlohách ve srovnání s~jinými plánovači, jako jsou IK-RRT či J+RRT. Naše zjištění ukazují, že IK-RRT stále dosahuje lepších výsledků než ostatní plánovače díky efektivní kombinaci inverzní kinematiky a~obousměrného RRT. Ačkoli RBT prokázalo potenciál ve scénářích s~velkými prostory bez překážek, v~omezených prostorech dosahovalo horších výkonů z~důvodu zobecnění algoritmu a~složitosti uvažovaných prostředí. Tato práce přináší poznatky o~podmínkách, za kterých jsou RBT a~další plánovače nejefektivnější, a~zároveň navrhuje potenciální vylepšení RBT a~řešení jeho nedostatků.

Motion planning is essential for enabling autonomous systems to navigate complex environments. This work focuses on improving and generalizing the Rapidly-exploring Bur Tree (RBT) algorithm for mobile robotic manipulators. Traditional methods like Rapidly-exploring Random Trees (RRT) and Probabilistic Road Maps (PRM) often struggle with planning in complex environments. While RBT has shown high exploratory capabilities, it was previously limited to stationary line-segment manipulators. We have adapted RBT for mobile robotic manipulators and statistically evaluated its performance against other planners, such as IK-RRT and J+RRT, in various grasping tasks. Our findings indicate that IK-RRT still outperforms other planners due to its efficient combination of inverse kinematics and bi-directional RRT. Although RBT demonstrated potential in scenarios with large free spaces, it underperformed in constrained environments due to the generalization of the algorithm and the complexity of the environments considered. This work provides insights into the conditions under which RBT and other planners are most effective, while also proposing potential improvements and solutions to the shortcomings of RBT.