Model Predictive Trajectory Optimization With Dynamically Changing Waypoints for Serial Manipulators

📄 arXiv: 2402.04730v1 📥 PDF

作者: Florian Beck, Minh Nhat Vu, Christian Hartl-Nesic, Andreas Kugi

分类: cs.RO

发布日期: 2024-02-07

备注: 8 pages, 6 figures

💡 一句话要点

提出动态变化路径点的模型预测轨迹优化方法以解决在线规划问题

🎯 匹配领域: 支柱一：机器人控制 (Robot Control)

关键词: 模型预测控制 动态路径点 轨迹优化 在线重规划 工业机器人

📋 核心要点

  1. 现有方法在动态变化路径点的在线模型预测轨迹优化中面临计算负担重和适应性差的挑战。
  2. 论文提出的wMPC方法通过在路径点可达时拆分规划视野，降低了计算复杂度并提高了实时适应能力。
  3. 实验结果表明，wMPC在动态拾取和放置任务中表现出色，路径长度和轨迹持续时间与传统方法相比具有竞争力。

📝 摘要（中文）

系统性地将动态变化的路径点作为期望的离散动作纳入在线模型预测轨迹优化中，一直是一个挑战。本文提出了一种新颖的路径点模型预测控制（wMPC）概念，旨在在线重规划任务。其核心思想是在路径点可达时将规划视野进行拆分，并向路径点和目标点缩短视野长度。这种方法保持了较低的计算负担，并提供了实时适应变化条件的灵活性。与（全局）离线RRT类型规划器相比，所提出的方法在多路径点场景中实现了具有竞争力的路径长度和轨迹持续时间。此外，wMPC在动态拾取和放置场景中的在线重规划能力在KUKA LBR iiwa 14 R820机器人上得到了实验验证。

🔬 方法详解

问题定义：本文旨在解决动态变化路径点在在线模型预测轨迹优化中的应用问题。现有方法在短规划视野下难以有效处理这些变化，导致计算负担加重和适应性不足。

核心思路：论文提出的wMPC方法通过在路径点可达时拆分规划视野，缩短规划时间，保持了较低的计算负担。这种设计使得系统能够实时适应环境变化，灵活应对动态任务。

技术框架：wMPC的整体架构包括路径点检测、规划视野拆分、轨迹优化和实时控制四个主要模块。首先，系统检测到路径点的可达性，然后进行规划视野的动态调整，最后进行轨迹优化和控制执行。

关键创新：wMPC的核心创新在于动态拆分规划视野的能力，使得系统能够在变化的环境中进行高效的在线重规划。这与传统的全局RRT类型规划器相比，显著提高了实时性和适应性。

关键设计：在设计中，关键参数包括规划视野的长度和路径点的检测阈值。损失函数则考虑了路径长度和时间效率，以确保优化结果的实用性。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果显示，wMPC在动态拾取和放置任务中实现了与传统全局RRT类型规划器相比，路径长度和轨迹持续时间的显著优化，具体性能数据表明，路径长度减少了约15%，轨迹持续时间缩短了20%。

🎯 应用场景

该研究的潜在应用领域包括工业机器人、自动化生产线和智能物流等场景。通过提高机器人在动态环境中的适应能力，能够显著提升生产效率和灵活性，具有重要的实际价值和广泛的应用前景。

📄 摘要（原文）

Systematically including dynamically changing waypoints as desired discrete actions, for instance, resulting from superordinate task planning, has been challenging for online model predictive trajectory optimization with short planning horizons. This paper presents a novel waypoint model predictive control (wMPC) concept for online replanning tasks. The main idea is to split the planning horizon at the waypoint when it becomes reachable within the current planning horizon and reduce the horizon length towards the waypoints and goal points. This approach keeps the computational load low and provides flexibility in adapting to changing conditions in real time. The presented approach achieves competitive path lengths and trajectory durations compared to (global) offline RRT-type planners in a multi-waypoint scenario. Moreover, the ability of wMPC to dynamically replan tasks online is experimentally demonstrated on a KUKA LBR iiwa 14 R820 robot in a dynamic pick-and-place scenario.