Особенности и перспективы применения метода поисковых случайных деревьев для планирования перемещений автономных роботов

Цели. Статья посвящена анализу особенностей одного из наиболее многообещающих подходов к решению задач планирования перемещений автономных роботов различных типов и назначения с помощью метода поисковых случайных деревьев. Показано, что развитие современной робототехники неразрывно сопряжено с совершенствованием конструкций создаваемых образцов, для которых размещение манипулятора на подвижной платформе становится типовым вариантом компоновки. Целью работы является оценка перспектив использования метода поисковых случайных деревьев в качестве конструктивной основы для создания универсального планировщика перемещений мобильных и манипуляционных роботов, включая автономные робототехнические системы с манипулятором на подвижной платформе.

Методы. Объектом проводимых исследований является метод поисковых случайных деревьев RRT (rapidly exploring random trees) и его известные модификации RRT* и RRT-Connect. Оценка эффективности их прикладного применения для решения задач планирования перемещений роботов различных типов проводилась с помощью методов компьютерного и натурного моделирования.

Результаты. На основе обзора литературы и по итогам проведенных исследований показано, что широкие возможности метода поисковых случайных деревьев позволяют обеспечить решение задач планирования перемещений не только для мобильных и манипуляционных роботов, но и для робототехнических систем с размещением бортового манипулятора (в т.ч. с избыточной или реконфигурируемой структурой) на транспортной платформе. Эффективность прикладного применения метода поисковых случайных деревьев подтверждается примерами моделирования мобильной платформы с бортовым манипулятором и результатами натурных экспериментов с опытным образцом реконфигурируемого мехатронно-модульного робота «АРАКС» (РТУ МИРЭА, Россия). Экспериментально установлено и теоретически обосновано, что конечная размерность дерева поиска, а, следовательно, и время его построения, вплоть до достижения заданного целевого состояния, во многом определяются величиной фактора роста.

Выводы. Обобщение полученных результатов открывает реальные перспективы использования метода поисковых случайных деревьев в качестве конструктивной основы не только для создания универсальных средств планирования перемещений мобильных робототехнических систем с бортовым манипулятором, но и для решения задач автоматизации стыковки автономных подвижных платформ.

1. Wang X., Luo X., Han B., Chen Y., Liang G., Zheng K. Collision-free path planning method for robots based on an improved rapidly-exploring random tree algorithm. Appl. Sci. 2020;10(4):1381. http://doi.org/10.3390/app10041381

2. Noreen I., Khan A., Habib Z. Optimal path planning using RRT* based approaches: a survey and future directions. Int. J. Adv. Computer Sci. Appl. 2016;7(11). https://dx.doi.org/10.14569/IJACSA.2016.071114

3. LaValle S.M., Kuffner J.J. Rapidly-exploring random trees: Progress and prospects. Workshop on the Algorithmic Foundations of Robotics. 2000;293–308. URL: http://lavalle.pl/papers/LavKuf01.pdf

4. LaValle S.M., Kuffner J.J. Randomized Kinodynamic Planning. Int. J. Rob. Res. 2001;20(5):378–400. https://doi.org/10.1177/02783640122067453

5. Cao X., Zou X., Jia Ch., Chen M., Zeng Z. RRT-based path planning for an intelligent litchi-picking manipulator. Computers and Electronics in Agriculture. 2019;156:105–118. https://doi.org/10.1016/j.compag.2018.10.031

6. Rybus T. Point-to-Point Motion Planning of a Free-Floating Space Manipulator Using the Rapidly-Exploring Random Trees (RRT) Method. Robotica. 2020;38(6):957–982. https://doi.org/10.1017/S0263574719001176

7. Karaman S., Frazzoli E. Sampling-based algorithms for optimal motion planning. Int. J. Robotics Res. 2011;30(7): 846–894. https://doi.org/10.1177/0278364911406761

8. Solovey K., Janson L., Schmerling E., Frazzoli E., Pavone M. Revisiting the Asymptotic Optimality of RRT*. 2020. arXiv: 1909.09688v2. 13 p. https://doi.org/10.48550/arXiv.1909.09688

9. Noreen I., Khan A., Habib Z. Optimal path planning using RRT* based approaches: a survey and future directions. Int. J. Adv. Computer Sci. Appl. 2016;7(11):97–107. https://doi.org/10.14569/IJACSA.2016.071114

10. Adiyatov O., Varol H.A. A novel RRT*-based algorithm for motion planning in Dynamic environments. In: 2017 IEEE International Conference on Mechatronics and Automation (ICMA). 2017. P. 1416–1421. https://doi.org/10.1109/ICMA.2017.8016024

11. Yuan Ch., Liu G., Zhang W., Pan X. An efficient RRT cache method in dynamic environments for path planning. Rob. Auton. Syst. 2020;131(9):103595. https://doi.org/10.1016/j.robot.2020.103595

12. Khatib O. Real-time obstacle avoidance for manipulators and mobile robots. The Int. J. Rob. Res. 1986;5(1): 90–98.

13. Mashayekhi R., Idris M.Y.I., Anisi M.H., Ahmedy I., Ali I. Informed RRT*-Connect: An Asymptotically Optimal Single-Query Path Planning Method. IEEE Access. 2020;8:19842–19852. http://doi.org/10.1109/ACCESS.2020.2969316