Srovnávací studie algoritmů plánování pohybu pro robotickou paži Niryo

Abstract

Tato práce představuje srovnávací studii algoritmů plánování pohybu založených na vzorkování s využitím robotické paže Niryo Ned2 v praktickém statickém prostředí. Hlavním cílem bylo posoudit, jak si různé plánovače vedou v reálných robotických podmínkách. Osm algoritmů z knihovny OMPL --- včetně členů rodin RRT, EST a PRM --- bylo vybráno na základě jejich rozšířenosti ve výzkumu a kompatibility se systémem. Abychom zajistili systematické hodnocení, vyvinuli jsme originální softwarovou aplikaci využívající rozhraní MoveIt C++ a operační systém pro roboty (ROS), která plně automatizuje proces srovnávání. Tento vlastní rámec umožnil provést 50 pokusů o plánování pro každý algoritmus v šesti účelově vytvořených testovacích scénách. Každá scéna představovala odlišné prostorové výzvy, aby se otestovala přizpůsobivost plánovačů. Výkonnost byla analyzována pomocí tří klíčových ukazatelů: doby plánování, úspěšnosti a kvality cesty. K vizualizaci trendů provádění a odhalení specifického chování algoritmů byly použity také grafy pohybu s redukcí dimenzí. Výsledky ukázaly, že obousměrné plánovače, jako jsou RRTConnect a BiEST, obecně překonávají jednosměrné plánovače jak v rychlosti, tak v konzistenci. Optimální plánovače jako RRT* a PRM* vytvářely kvalitnější cesty než ostatní metody, přičemž RRT* vykazoval o něco lepší kvalitu cesty než PRM*. Plánovače založené na mapách cest, jako je PRM, fungovaly spolehlivě ve statických prostředích, zatímco plánovače s jedním stromem, jako jsou RRT a EST, měly problémy ve složitých nebo omezených scénách. Pozoruhodné je, že v jedné testovací scéně docházelo u algoritmů RRT a RRT* neustále k selhání, což naznačuje možná strukturální omezení těchto algoritmů. Celkově tato studie ukazuje, jak je důležité přizpůsobit výběr plánovače složitosti úlohy a typu prostředí, a poskytuje praktický, reprodukovatelný přístup k experimentálnímu srovnávání v robotice.

This thesis presents a comparative evaluation of sampling-based motion planning algorithms using the Niryo Ned2 robotic arm in a practical, static environment. The primary objective was to assess how different planners perform under real-world robotic constraints. Eight algorithms from the OMPL library---including members of the RRT, EST, and PRM families---were selected based on their prevalence in research and compatibility with the system. To ensure systematic evaluation, we developed an original software application using the MoveIt C++ interface and the Robot Operating System (ROS) to fully automate the benchmarking process. This custom framework enabled the execution of 50 planning attempts per algorithm across six purpose-built test scenes. Each scene represented distinct spatial challenges to test the adaptability of the planners. Performance was analyzed using three key metrics: planning time, success rate, and path quality. Dimensionality-reduced motion plots were also employed to visualize execution trends and uncover algorithm-specific behaviors. Results showed that bidirectional planners such as RRTConnect and BiEST generally outperformed unidirectional ones in both speed and consistency. Optimal planners like RRT* and PRM* produced higher-quality paths than other methods, with RRT* demonstrating slightly better path quality than PRM*. Roadmap-based planners like PRM performed reliably in static environments, whereas single-tree planners such as RRT and EST struggled in complex or constrained scenes. Notably, one test scene consistently exposed failure modes for RRT and RRT*, indicating potential structural limitations in those algorithms. Overall, this study demonstrates the importance of matching planner selection to task complexity and environment type, and provides a practical, reproducible approach to experimental benchmarking in robotics.