基于概率道路图的动态障碍物避让算法，适用于高自由度机器人

《IEEE Transactions on Artificial Intelligence》：Dynamic Obstacle Avoidance Using Path Reshaping on Probabilistic Roadmaps for High-Degree-of-Freedom Robots

自主高自由度机械臂在动态环境中的实时路径重规划问题，本文提出PRM-DNNCC框架，通过深度神经网络加速碰撞检测，结合小批量概率 roadmap 生成局部最优路径，在六自由度机械臂上取得94.6%成功率和6ms平均碰撞检测速度，显著优于传统方法。

　　

影响声明：

所提出的PRM-DNNCC框架在自主高自由度（DOF）操纵器领域取得了重大进展，这些操纵器能够在动态且不可预测的环境中工作。...显示更多

摘要：

在动态环境中工作的机器人操纵器经常遇到不可预测的障碍物。现有的最先进运动规划和重新规划算法难以在这些复杂、动态的环境中为高自由度（DOF）机器人实现实时重新规划。为了解决这一限制，我们提出了一种新颖的局部路径重规划技术，以实时避免与动态障碍物的碰撞。该技术称为基于深度神经网络的概率路线图碰撞检测（PRM-DNNCC），它利用深度神经网络（DNN）架构来加速碰撞检测，这是重新规划过程中的一个关键计算瓶颈。当在工作空间内检测到动态障碍物时，系统会围绕障碍物生成一个迷你批次PRM（Probabilistic Roadmap），然后对这些迷你批次PRM进行离散和连续的碰撞检测。接着执行局部最优路径以确保安全导航。将该算法应用于最高六自由度的操纵器后，平均成功率达到94.6%，显著优于传统方法，并且与其他各种最先进方法相比具有很强的竞争力。此外，基于DNN的碰撞检测架构的准确率为98.15%，平均碰撞检测时间为6毫秒，这比文献中报道的所有其他几何碰撞检测算法都要快。我们预计，这项技术在医疗保健、物流、制造和农业等领域的人机协作运动规划中具有广泛应用前景。

引言

高自由度（DOF）机器人操纵器是高度专业化的机器，能够以极高的精度和效率执行各种复杂和重复性任务[1]。传统上，工业机器人操纵器被限制在指定的安全围栏内，以降低对附近操作的人类同事造成意外伤害的风险[2]。因此，机器人和人类通常在不同的区域工作以避免碰撞，从而限制了人机协作的灵活性[3]。