Increasing Resilience of Continuum Robots via Motion Planning Algorithms
作者: Oxana Shamilyan, Ievgen Kabin, Zoya Dyka, Oleksandr Sudakov, Peter Langendoerfer
分类: cs.RO
发布日期: 2026-06-18
💡 一句话要点
通过运动规划算法提高连续机器人韧性
🎯 匹配领域: 支柱一：机器人控制 (Robot Control)
关键词: 连续机器人 运动规划 遗传算法 层次分析法 路径优化 多标准决策 韧性提升
📋 核心要点
- 现有路径规划方法在连续机器人韧性提升方面存在不足，尤其是在多标准决策的应用上。
- 本文提出通过结合遗传算法与层次分析法，优化路径规划以提高连续机器人的韧性。
- 实验结果表明，遗传算法在多样性和执行时间上优于A星算法，显著提升了机器人的韧性。
📝 摘要（中文）
本文通过实验研究了连续机器人的运动规划，重点关注多标准决策在路径规划算法中的应用及其对生成路径和执行时间的影响。我们使用了遗传算法和A星算法，并通过引入层次分析法对生成路径的质量进行评估。实验中考虑了距离、马达损坏、机械损坏和准确性四个标准，以提高连续机器人的维护时间。尽管简化了机器人模型和环境，实验结果显示遗传算法在路径多样性和韧性方面优于A星算法。
🔬 方法详解
问题定义：本文旨在解决连续机器人在复杂环境中路径规划的韧性问题，现有方法如A星算法在多标准决策时表现不足，无法有效评估路径质量。
核心思路：通过将遗传算法与层次分析法结合，考虑多个标准（如距离、马达损坏等），以生成更优质的路径，从而提升机器人的韧性。
技术框架：整体流程包括路径生成（使用遗传算法）、路径评估（通过层次分析法）和路径执行。主要模块包括路径生成模块、评估模块和执行模块。
关键创新：引入层次分析法作为路径评估工具，使得路径规划不仅考虑距离，还综合考虑机械损坏和准确性等多个标准，这是与现有方法的本质区别。
关键设计：在算法设计中，设置了四个评估标准，并通过实验验证了不同环境下算法的表现，确保生成路径的多样性和有效性。具体参数设置和损失函数设计在实验中进行了详细测试。
📊 实验亮点
实验结果显示，遗传算法在路径生成上表现出更高的多样性，且其性能时间不受环境复杂度影响，相较于A星算法，路径质量和执行效率均有显著提升，具体提升幅度未知。
🎯 应用场景
该研究的潜在应用领域包括医疗机器人、工业自动化和探索机器人等，能够在复杂环境中提高机器人的操作效率和安全性。未来，随着技术的进步，可能会在更广泛的领域中应用，推动机器人技术的发展。
📄 摘要（原文）
This paper presents an experimental study of motion planning for resilient continuum robots. In this study we mainly focused on multi-criteria decision-making, its application for path-planning algorithms, impact on the generated path and execution time. To do this, we used two well-known algorithms for path planning, namely Genetic algorithm and A star algorithm, and modified them by adding the Analytical Hierarchy Process algorithm to evaluate the quality of the paths generated. In our experiment the Analytical Hierarchy Process considers four different criteria, i.e. distance, motors damage, mechanical damage of the robot's arm and accuracy, each considered to contribute to the resilience of a continuum robot. The use of different criteria is necessary to increase the time to maintenance operations of the continuum robot. We conducted the experiments using two different simulated environments of the robot. Although we significantly simplified the robot's model and its environment, we still implemented some of the features of the environment based on the real robot prototype. In particular, one of the environments has single- as well as multi-path points, and other consists of the multi-path points only. The results show that, in contrast to A star, the performance time of Genetic algorithm does not depend on the environment's cardinality. It generates more diverse paths, which increases the robot's resilience.