Adaptive Trajectory Refinement for Optimization-based Local Planning in Narrow Passages

📄 arXiv: 2510.26142v1 📥 PDF

作者: Hahjin Lee, Young J. Kim

分类: cs.RO

发布日期: 2025-10-30

💡 一句话要点

提出自适应轨迹优化算法，解决移动机器人在狭窄通道中的局部规划问题

🎯 匹配领域: 支柱四：生成式动作 (Generative Motion)

关键词: 轨迹规划 局部规划 移动机器人 碰撞避免 狭窄通道

📋 核心要点

  1. 传统方法在狭窄通道中进行移动机器人轨迹规划时，容易失败或生成次优路径，这是主要挑战。
  2. 提出一种自适应轨迹优化算法，通过分段碰撞测试和姿态校正，确保路径段和姿态级别的安全性。
  3. 仿真和实际实验表明，该方法在成功率和规划速度上均优于现有技术，并能安全通过狭窄通道。

📝 摘要（中文）

本文提出了一种自适应轨迹优化算法，旨在解决移动机器人在复杂环境中，尤其是在狭窄通道中的轨迹规划难题。该算法包含两个主要阶段。首先，为了确保路径段级别的安全性，采用分段保守碰撞测试，递归地细分高风险轨迹路径段，直至消除碰撞风险。其次，为了保证姿态级别的安全性，应用基于穿透方向和线搜索的姿态校正，确保轨迹中的每个姿态都是无碰撞的，并且与障碍物保持最大程度的距离。仿真结果表明，与最先进的方法相比，该方法成功率提高了1.69倍，规划速度提高了3.79倍。此外，真实环境实验证实，该机器人能够在保持快速规划性能的同时，安全地通过狭窄通道。

🔬 方法详解

问题定义：论文旨在解决移动机器人在复杂环境中，尤其是在狭窄通道中进行局部轨迹规划时遇到的挑战。现有方法在这些环境中常常失效，或者生成非最优的轨迹，无法保证安全性和效率。

核心思路：论文的核心思路是通过自适应地优化轨迹，使其既能避开障碍物，又能尽可能地保持轨迹的平滑性和效率。这种自适应性体现在两个层面：一是路径段级别的碰撞风险评估和细分，二是姿态级别的碰撞校正。通过这种双重保障，确保轨迹的安全性。

技术框架：该算法主要包含两个阶段： 1. 分段保守碰撞测试：将轨迹分成多个路径段，对每个路径段进行碰撞检测。如果检测到碰撞风险，则递归地细分该路径段，直到碰撞风险消除。 2. 姿态校正：对轨迹中的每个姿态进行碰撞检测。如果检测到碰撞，则基于穿透方向和线搜索，对姿态进行校正，使其远离障碍物。

关键创新：该方法最重要的创新点在于其自适应性。传统的轨迹规划方法通常采用固定的分辨率或步长，难以适应复杂环境中的狭窄通道。而该方法通过自适应地细分路径段和校正姿态，能够更好地适应环境的变化，从而提高规划的成功率和效率。

关键设计： * 分段保守碰撞测试：采用保守的碰撞检测方法，以确保安全性。具体实现中，可以使用膨胀的障碍物模型，或者采用更严格的碰撞检测阈值。 * 姿态校正：基于穿透方向和线搜索，对姿态进行校正。穿透方向可以通过计算机器人与障碍物之间的距离梯度来获得。线搜索可以采用二分法或黄金分割法等方法。

📊 实验亮点

仿真结果表明，与现有技术相比，该方法在狭窄通道中的轨迹规划成功率提高了1.69倍，规划速度提高了3.79倍。此外，真实环境实验也验证了该方法在实际应用中的有效性，机器人能够在保持快速规划性能的同时，安全地通过狭窄通道。这些实验结果充分证明了该方法的优越性。

🎯 应用场景

该研究成果可广泛应用于移动机器人导航、自动驾驶、仓储物流等领域。尤其是在需要机器人通过狭窄、复杂环境的场景下，例如家庭服务机器人、医疗机器人、工业巡检机器人等，具有重要的应用价值。该方法能够提高机器人的自主性和安全性，降低人工干预的需求，从而提升整体效率。

📄 摘要（原文）

Trajectory planning for mobile robots in cluttered environments remains a major challenge due to narrow passages, where conventional methods often fail or generate suboptimal paths. To address this issue, we propose the adaptive trajectory refinement algorithm, which consists of two main stages. First, to ensure safety at the path-segment level, a segment-wise conservative collision test is applied, where risk-prone trajectory path segments are recursively subdivided until collision risks are eliminated. Second, to guarantee pose-level safety, pose correction based on penetration direction and line search is applied, ensuring that each pose in the trajectory is collision-free and maximally clear from obstacles. Simulation results demonstrate that the proposed method achieves up to 1.69x higher success rates and up to 3.79x faster planning times than state-of-the-art approaches. Furthermore, real-world experiments confirm that the robot can safely pass through narrow passages while maintaining rapid planning performance.