一种新的机器人运动规划优化框架

对于机器人来说，走出迷宫并不容易。想象一下这些机器试图穿过儿童游戏室到达厨房，地板上散落着各种各样的玩具，家具挡住了一些潜在的路径。这个杂乱的迷宫要求机器人计算出到达目的地的最佳旅程，而不会撞上任何障碍物。机器人要做什么?

麻省理工学院CSAIL研究人员的凸集图(GCS)轨迹优化算法为这些机器人导航需求提供了一个可扩展、无碰撞的运动规划系统。

该方法将图搜索(一种在网络中查找离散路径的方法)和凸优化(一种优化连续变量以使给定成本最小化的有效方法)结合起来，可以快速找到穿过迷宫般环境的路径，同时优化路径机器人的轨迹。

GCS可以绘制多达14个维度(甚至可能更多)的无碰撞轨迹，旨在改善机器在仓库、图书馆和家庭中协同工作的方式。

与同类规划器相比，CSAIL领导的项目始终能在更短的时间内找到更短的路径，这显示了GCS在复杂环境中高效规划的能力。

在演示中，系统巧妙地引导两个拿着杯子的机械臂绕过架子，同时优化最短的时间和路径。两人的同步动作就像搭档的舞蹈动作，沿着书柜的边缘摇摆而没有掉落物体。

在随后的设置中，研究人员拆除了架子，机器人交换了喷漆的位置，并互相递给对方一个糖盒。

这些现实世界测试的成功表明了该算法在制造业等领域提供帮助的潜力，在制造业中，两个协同工作的机械臂可以从货架上取下一件物品。同样，两人可以协助将书籍存放在家里或图书馆，避开附近的其他物体。

虽然这种性质的问题以前是通过基于采样的算法来解决的，这种算法在高维空间中会遇到困难，但GCS使用快速凸优化，可以有效地协调多个机器人的工作。

“机器人擅长在汽车制造或电子装配等应用中进行重复性、预先计划的运动，但在新环境或任务中难以实时生成运动。

以前最先进的运动规划方法采用“中心辐射”方法，使用有限数量的固定配置的预先计算图，已知这是安全的。在操作过程中，机器人必须严格遵守该路线图，这常常导致机器人运动效率低下。

使用凸集图(GCS)的运动规划使机器人能够轻松适应预先计算的凸区域内的不同配置，从而使机器人在制定运动计划时能够“绕过拐角”。通过这样做，GCS允许机器人使用凸优化非常有效地快速计算安全区域内的计划。

DexaiRobotics联合创始人兼首席执行官DavidMSJohnson表示：“本文提出了一种新颖的方法，有可能显着提高机器人运动的速度和效率以及适应新环境的能力。”

GCS在模拟演示中也蓬勃发展，团队考虑了四旋翼飞行器如何飞过建筑物而不会撞到树木或无法以正确的角度进入门窗。该算法优化了绕过障碍物的路径，同时考虑了四旋翼飞行器丰富的动态特性。

最佳婚姻

麻省理工学院团队成功的秘诀涉及两个关键要素的结合：图搜索和凸优化。GCS的第一个元素通过探索节点、计算每个节点的不同属性来搜索图，以找到隐藏模式并确定到达目标的最短路径。与Google地图中用于距离计算的图形搜索算法非常相似，GCS创建不同的轨迹来到达其目的地路线上的每个点。

通过混合图搜索和凸优化，GCS可以在复杂的环境中找到路径，同时优化机器人轨迹。

GCS通过绘制周围区域的不同点，然后计算如何到达最终目的地的方式来实现这一目标。该轨迹考虑了不同的角度，以确保机器人避免与障碍物的边缘碰撞。由此产生的运动计划使机器能够挤过潜在的障碍，精确地通过每个转弯，就像驾驶员在狭窄的街道上避免事故一样。

GCS最初在2021年的一篇论文中提出，作为一种数学框架，用于在图中查找最短路径，其中遍历边缘需要解决凸优化问题。

GCS在大图和高维空间中精确地穿过每个顶点，在机器人运动规划方面具有明显的潜力。在后续论文中，Marcucci和他的团队开发了一种算法，将其框架应用于高维空间中移动的机器人的复杂规划问题。

2023年的文章登上了《科学机器人》的封面，而该小组的初步工作现已发表在工业与应用数学学会(SIAM)的《优化杂志》上。

虽然该算法擅长在狭窄的空间中导航而不会发生碰撞，但仍有发展的空间。CSAIL团队指出，GCS最终可以帮助解决机器人必须与环境接触的更复杂的问题，例如将物体推或滑出环境。道路。该团队还在探索GCS轨迹优化在机器人任务和运动规划中的应用。

“我对GCS在运动规划中的应用感到非常兴奋。但这只是一个开始。这个框架与优化、控制和机器学习中的许多核心结果密切相关，为我们提供了解决同时连续的问题的新手段麻省理工学院教授、CSAIL首席研究员、关于这项工作的新论文的合著者RussTedrake说道。“还有很多工作要做。”