We present an efficient anytime motion planner for mobile robots that considers both other dynamic obstacles and uncertainty caused by various sensors and low-level controllers. Our planning algorithm, which is an anytime extension of the Rapidly-exploring Random Belief Tree (RRBT), maintains the best possible path throughout the robot execution, and the generated path gets closer to the optimal one as more computation resources are allocated. We propose a branch-and-bound method to cull out unpromising areas by considering path lengths and uncertainty. We also propose an uncertainty-aware velocity obstacle as a simple local analysis to avoid dynamic
obstacles efficiently by finding a collision-free velocity. We have tested our method with three benchmarks that have non-linear measurement regions or potential collisions with dynamic obstacles. By using the proposed methods, we achieve up to five times faster performance given a fixed path cost.
모션플래닝 분야는 간단하게 최적경로계획법에서부터 복잡한 휴머노이드를 위한 고차원 모션플래너등 다양한 연구가 진행되고 있다. 최근에는 무인자동차, 청소로봇등 산업에 힘입어 모바일로봇에 대한 연구도 활발하게 진행되고 있다. 본 논문에서는 모바일 로봇의 상태에 대한 불확실성을 표현하는 동시에 Anytime으로 계산이 가능한 새로운 모션 플래닝 기법을 제시하고, 더 나아가 주변에 움직이는 물체를 효율적으로 피하기위한 모션 플래닝 기법을 제시한다. 로봇의 움직임을 추정하는데 있어 센서 및 제어기의 노이즈에 의하여 로봇의 위치에 불확실성이 존재하게 된다. 또한 로봇이 움직이는 과정에서 주변의 물체들도 움직일 수 있다. 따라서 본 논문은 로봇의 동역학상의 불확실성이 고려 가능한 동시에, 주변 물체의 움직임에 따라 새로운 경로를 빠르게 샘플링하고, 점근 적으로 최적경로를 계산하도록 하여 Anytime으로 로봇에 적용 가능한 샘플링 기반의 모션 플래닝 기법에 대하여 소개한다. 새로 소개되는 기법은 Anytime Rapidly-exploring Random Belief Tree(Anytime RRBT)라고 부르며, 실험 결과를 통해 움직이는 로봇에서 경로가 최적해로 수렴하는 모습을 보이고, 기존방법 대비 5배이상 빠르게 최적해에 수렴하는것을 보인다. 또한 주변의 물체가 움직이는상황에서 목적지까지 효율적으로 도착하는 모습을 보인다.
