3. Motion planning algorithm selection
Many algorithms are available for generating collision-free
paths in the Configuration Space (C-space) [25]. C-space is the set
of all possible configurations of a robot. A configuration is simply
a point in this abstract C-space. The configuration of a robot system
is the complete specification of the position of every point in that
system. Once the motion planning problem has been formulated
in the C-space, it becomes equivalent to finding the connected sequence
of collision-free configurations running from the initial
obtain solutions to path-planning problems in a continuous
C-space. Sampling-based algorithms are capable of dealing
with robots with many degrees of freedom (DoFs) and with
many different constraints. Such algorithms do not attempt
to explicitly construct the boundaries of the C-space obstacles
or to represent cells of the free space. Instead, they rely
on a procedure that can decide whether a given configuration
of the robot is in collision with the obstacle or not.
Efficient collision detection procedures ease the implementation
of sampling-based algorithms and increase the range
of their applicability. PRM (Probabilistic Roadmap Planner)
and RRT (Rapidly-exploring Random Trees) are representative
algorithms of continuous space planning.
Comparisons have been done among the Grid A⁄, Visibility
Graph, PRM, and RRT [7] in terms of completeness, optimality, efficient
environment updates, efficient query updates, good DoF scalability,
and ability of solving non-holonomic configurations. It has
been indicated that PRM and RRT are efficient in query updates,
and have good DoF scalability. However RRT is not able to guarantee
the generation of an optimal path based on pre-defined criteria;
therefore an optimization update is required to address this point.
Fortunately, for many of these algorithms, the solutions produced
are not too far from optimal in practice [23]. Among the algorithms
reviewed in that research, RRT is the best in terms of efficient environment
update [7]. Furthermore, RRT stands out because of its
high ability in solving non-holonomic configurations.
In addition to the above-mentioned algorithms, Garber and Lin
[13] have proposed a constraint-based motion planning approach
for virtual prototyping. This approach transforms the motion planning
problem into the simulation of a dynamic system in which the
motion of each rigid robot is subject to the influence of virtual
forces induced by geometric constraints. However, only geometric
constraints are considered in this research.
Several criteria are taken into consideration in the selection of
the motion planning algorithm for cranes in the present paper.
There are four major criteria that are taken into account in the
present research: efficiency, optimality, reusability, and safety.
(1) Efficiency: Efficiency is the most important factor because
decisions usually need to be taken in near real-time to cope
with the dynamic nature of the environment. RRTs have
been shown to be effective for solving single-shot path planning
problems in complex C-spaces by combining random
sampling of the C-space with biased sampling around the
goal configuration [6,7]. RRTs efficiently provide solutions
to problems involving vast, high-dimensional C-space. These
solutions would be intractable using deterministic
approaches.
(2) Optimality: Optimality is considered as the ability to find an
optimal path with respect to some metrics. Single-query
sampling-based algorithms are not able to guarantee the
generation of an optimal path based on pre-defined criteria.
Optimization updates are required to address this point [23].
The basic RRT algorithm does not take path quality into
account during its search, which may produce paths that
are grossly suboptimal [10]. To improve the quality of the
solution path, Urmson and Simmons [34] have proposed
modified RRT algorithms that take the cost of the path into
account. Berg et al. [4] have considered adding the cost of
the path in navigating a mobile robot.
(3) Reusability: This requirement is specific to motion re-planning
when a new obstacle appears. An efficient re-planning
algorithm should be able to plan optimal traverses in near
real time by incrementally repairing the paths of the equipment
configuration to the goal configuration. Based on the data structure
representation of the C-space, motion planning algorithms can be
categorized under two major approaches [8]:
(1) Motion planning in discrete space: In this case, the C-space is
defined as a state-space model with a countable finite set
of states. The planning algorithms build roadmaps in the free
(or semi-free) state-space and search for the feasible path.
Each of these algorithms relies on an explicit representation
of the geometry of the free space. Because of this, as the
dimension of the C-space grows, these algorithms become
impractical. Grid A⁄ and Visibility Graph are representative
algorithms of discrete space planning.
(2) Motion planning in continuous space: In this case, the
algorithm is not limited to a pre-defined finite search
space representation of the C-space. Instead, a variety of
strategies are utilized for generating samples (collision-free
3 . ขั้นตอนวิธีอัลกอริทึมหลายเคลื่อนไหววางแผน
เลือกที่ใช้ได้สำหรับการสร้างการชนฟรี
เส้นทางในปริภูมิโครงแบบ ( c-space ) [ 25 ] คือเซตของค่า
c-space เป็นไปได้ทั้งหมดของหุ่นยนต์ การเป็นเพียงแค่
จุดใน c-space นามธรรมนี้ การตั้งค่าของระบบหุ่นยนต์
เป็นสเปคที่สมบูรณ์ของทุกจุดในตำแหน่งที่
ระบบเมื่อเคลื่อนไหวปัญหาการวางแผนเป็นสูตร
ใน c-space จะเทียบเท่ากับการเชื่อมต่อแบบลำดับ
ชนฟรีวิ่งจากเริ่มต้น
ได้รับการแก้ปัญหาวางแผนเส้นทางใน c-space อย่างต่อเนื่อง
การสุ่มตัวอย่างตามขั้นตอนวิธีที่สามารถจัดการกับหุ่นยนต์ที่มีองศามากมาย
และเสรีภาพ ( dofs ) ด้วยข้อจำกัดต่าง ๆ มากมายขั้นตอนวิธีดังกล่าวไม่พยายาม
อย่างชัดเจนสร้างขอบเขตของอุปสรรค c-space
หรือเป็นตัวแทนเซลล์ของพื้นที่ว่าง แทน พวกเขาอาศัย
ในกระบวนการที่สามารถตัดสินว่าให้ตั้งค่า
ของหุ่นยนต์จากการชนกับอุปสรรคหรือไม่ ขั้นตอนการตรวจสอบการชนที่มีประสิทธิภาพง่าย
ตัวอย่างการใช้ขั้นตอนวิธีและเพิ่มช่วง
ของการบังคับใช้ของพวกเขา PRM ( probabilistic แผนงานวางแผน )
RRT ( อย่างรวดเร็ว สำรวจต้นไม้และสุ่ม ) เป็นตัวแทน
ขั้นตอนวิธีการวางแผนพื้นที่อย่างต่อเนื่อง .
เปรียบเทียบได้รับการทำของตาราง⁄มองเห็น
, กราฟ , PRM และเซลล์มะเร็งเต้านม [ 7 ] ในด้านคุณภาพ , การปรับปรุงสภาพแวดล้อมสมบูรณ์มีประสิทธิภาพ
, การปรับปรุงแบบสอบถามที่มีประสิทธิภาพดี กรมประมง (
,และความสามารถในการแก้ปัญหา ไม่ holonomic การกําหนดค่า มันมี
ถูกพบว่ามีประสิทธิภาพในการค้นหาและ PRM RRT ได้รับการปรับปรุง
และมี DOF กล่าว อย่างไรก็ตาม RRT ไม่สามารถรับประกัน
รุ่นของเส้นทางที่เหมาะสมตามเกณฑ์ที่กำหนดไว้ล่วงหน้า ;
ดังนั้นเพิ่มประสิทธิภาพปรับปรุงจะต้องแก้ไขจุดนี้
โชคดีหลายขั้นตอนวิธีเหล่านี้โซลูชั่นผลิต
ไม่ไกลจากที่เหมาะสมในการปฏิบัติ [ 23 ] ของอัลกอริทึม
สุดท้ายในการวิจัยที่ RRT เป็นดีที่สุดในแง่ของประสิทธิภาพ ปรับปรุงสิ่งแวดล้อม
[ 7 ] นอกจากนี้ RRT ยืนออกเนื่องจากมีความสามารถสูงในการแก้ holonomic
ไม่ตั้งค่า โดยอัลกอริทึมดังกล่าว การ์เบอร์ และหลิน
[ 13 ] ได้เสนอข้อจำกัดการเคลื่อนไหววางแผนแนวทาง
ตามการสร้างต้นแบบเสมือนจริง . วิธีการแปลงการเคลื่อนไหววางแผน
ปัญหาในการจำลองระบบแบบไดนามิกที่
การเคลื่อนไหวของแต่ละงวด หุ่นยนต์อยู่ภายใต้อิทธิพลของแรงเสมือน
และเรขาคณิตจำกัด . อย่างไรก็ตามถือว่าเป็นข้อจำกัดทางเรขาคณิต
หลายเกณฑ์ในการ พิจารณาในการเลือก
วิธีการวางแผนสำหรับรถเครนในกระดาษปัจจุบัน
มีสี่หลักเกณฑ์ที่นำมาพิจารณาใน
งานวิจัย : ประสิทธิภาพ , คุณภาพที่ใช้ , และความปลอดภัย .
( 1 ) ประสิทธิภาพ ประสิทธิภาพ เป็นปัจจัยที่สำคัญที่สุดในการตัดสินใจเพราะ
มักจะต้องถูกใกล้เรียลไทม์เพื่อรับมือ
ด้วย ลักษณะทางพลวัตของสภาพแวดล้อม rrts มี
กำลังแสดงผล เพื่อแก้ไขปัญหาในการยิงนัดเดียวเส้นทางวางแผน
c-spaces ซับซ้อน โดยการสุ่ม ตัวอย่างของ c-space ด้วย
จำนวนตัวอย่างรอบเป้าหมายการตั้งค่า [ 6 , 7 ] rrts มีประสิทธิภาพให้บริการโซลูชั่น
ปัญหาที่เกี่ยวข้องกับกว้างใหญ่สูง - มิติ c-space . โซลูชั่นเหล่านี้
จะสอนยากโดยใช้วิธีเชิงกำหนด
.
( 2 ) คุณภาพ :คุณภาพถือเป็นความสามารถในการค้นหาเส้นทางที่เหมาะสม ด้วยความเคารพ
มีมาตรวัด แบบสอบถามเดียว
ตัวอย่างตามขั้นตอนวิธีจะไม่สามารถรับประกัน
รุ่นของเส้นทางที่เหมาะสมตามเกณฑ์ที่กำหนดไว้ล่วงหน้า .
ปรับปรุงเพิ่มประสิทธิภาพจะต้องอยู่จุดนี้ [ 23 ] .
ขั้นตอนวิธี RRT พื้นฐานไม่ใช้เส้นทางสู่คุณภาพ
บัญชีในระหว่างการค้นหาของ บริษัท ซึ่งอาจผลิตเส้นทาง
จะไม่มีการลด suboptimal [ 10 ] เพื่อปรับปรุงคุณภาพของ
โซลูชั่นและเส้นทาง urmson ซิมมอนส์ [ 34 ] ได้เสนออัลกอริทึมที่ใช้ RRT
แก้ไขต้นทุนของเส้นทางสู่
บัญชี เบิร์ก et al . [ 4 ] ได้ถือเป็นการเพิ่มต้นทุนของ
เส้นทางในการนำทางหุ่นยนต์เคลื่อนที่ .
( 3 ) : ความต้องการใช้เฉพาะเคลื่อนไหว
วางแผนอีกครั้งเมื่ออุปสรรคใหม่ปรากฏ ที่มีประสิทธิภาพการวางแผน
อีกครั้งขั้นตอนวิธีควรวางแผนการลัดเลาะที่ดีที่สุดในเวลาจริงโดยแบบเพิ่มหน่วยซ่อมใกล้
การตั้งค่าเส้นทางของอุปกรณ์เพื่อเป้าหมายการตั้งค่า ตามโครงสร้าง
ข้อมูลการเป็นตัวแทนของ c-space ขั้นตอนวิธีการวางแผนการเคลื่อนไหวสามารถแบ่งได้สองวิธีหลักภายใต้
[ 8 ] :
( 1 ) วางแผนเคลื่อนไหวในพื้นที่ต่อเนื่อง : ในกรณีนี้ c-space คือ
กำหนดเป็นรัฐแบบอวกาศกับนามนับได้เซตจำกัด
ของสหรัฐอเมริกา การวางแผนขั้นตอนวิธีการสร้างโรดแมพในฟรี
( หรือกึ่งฟรี ) สภาพพื้นที่และค้นหาเส้นทางที่เป็นไปได้ .
แต่ละขั้นตอนวิธีเหล่านี้อาศัย
แสดงชัดเจนในเรขาคณิตของอวกาศฟรี เพราะเรื่องนี้ เป็นมิติของ c-space
เติบโตขั้นตอนวิธีเหล่านี้กลายเป็นที่ใช้งานไม่ได้ตารางที่⁄และกราฟการมองเห็นเป็นตัวแทน
ขั้นตอนวิธีการวางแผนพื้นที่ต่อเนื่อง .
( 2 ) วางแผนเคลื่อนไหวในพื้นที่อย่างต่อเนื่อง : ในกรณีนี้
ขั้นตอนวิธีที่ไม่ได้ จำกัด ขอบเขตที่กําหนดไว้ล่วงหน้าค้นหา
พื้นที่เป็นตัวแทนของ c-space . แทนความหลากหลายของกลยุทธ์ที่ใช้สำหรับการสร้าง
ตัวอย่าง ( ชนฟรี
การแปล กรุณารอสักครู่..