Повышение комфорта навигации при взаимодействии человека и робота в задаче планирования пути

Автономное движение мобильных роботов в динамически меняющейся внешней среде сопряжено с существенными трудностями. Это означает, что мобильные роботы должны не только выполнять задачу автономной навигации, но и хорошо взаимодействовать не только с неподвижными препятствиями, но и с людьми, движущимися в рабочем пространстве робота. Разработан алгоритм планирования и управления траекторным движением с учетом социальной навигации, обеспечивающей комфортное взаимодействие человека и робота. Затраты и ограничения социального пространства моделируются с использованием асимметричных функций Коши, составляются прогнозы взаимодействия „человек–человек“ или „человек–робот“. На этой основе строится функция стоимости карты, которая может использовать различные ограничения. Алгоритмы A* и jump были модифицированы на основе функции стоимости карты. Результаты экспериментов, выполненных в среде MATLAB, показывают, что предложенные алгоритмы могут эффективно реализовать решать задачу планирования пути с учетом социальной навигации. Благодаря разработанным алгоритмам выстраивается оптимальный маршрут робота, и личное пространство пешеходов гарантировано. Комфорт с учетом социальной навигации при взаимодействии человека и робота значительно улучшился.

1. Li Lei, Ye Tao, Tan Min, Chen Xi-Jun. Present state and future development of mobile robot technology research // Robot. 2002. Vol. 24, N 5. P. 475–480.

2. Zhu Daqi, Yan Mingzhong. Overview of mobile robot path planning technology // Control and Decision. 2010. Vol. 25, N 7. P. 961–967.

3. Lu D. V., Hershberger D., Smart W. D. Layered costmaps for context-sensitive navigation // IEEE Intern. Conf. on Intelligent Robots and Systems. Chicago, IEEE, 2014. Р. 709–715. DOI: 10.1109/iros.2014.6942636.

4. Hall E. T. The hidden dimension: man’s use of space in public and private. London: Bodley Head, 1969. 217 p.

5. Vasquez D., Stein P., Rios-Martinez J. et al. Human aware navigation for assistive robotics // The 13th Intern. Symp. on Experimental Robotics. Heidelberg: Springer, 2013. Р. 449–462.

6. Hidalgo-Paniagua A., Vega-Rodríguez M. A., and Ferruz J. Applying the MOVNS (multi-objective variable neighborhood search) algorithm to solve the path planning problem in mobile robotics // Expert Syst. Appl. 2016. Vol. 58. P. 20–35.

7. Contreras-Cruz M. A., Ayala-Ramirez V., and Hernandez-Belmonte U. H. Mobile robot path planning using artificial bee colony and evolutionary programming // Appl. Soft Comput. 2015. Vol. 30. P. 319–328.

8. LaValle S. M. Planning Algorithms. NY, USA: Cambridge Univ. Press, 2006.

9. Klančar G., Zdešar A., Blažič S., and Škrjanc I. Path planning // Wheeled Mobile Robotics. London, UK: Butterworth, 2017. Ch. 4. P. 161–206.

10. Kapitanyuk Y. A., Chepinskiy S. A. Control of mobile robot following a piecewise-smooth path // Gyroscopy and Navigation. 2013. Vol. 4, is. 4. P. 198–203.

11. Wang J., Krasnov A. Yu., Kapitanyuk Yu. A., Chepinskiy S. A., Chen Y., and Liu H. Path Following Control Algorithms Implemented in a Mobile Robot with Omni Wheels // Gyroscopy and Navigation. 2016. Vol. 7, N 4. P. 353–359.

12. Ван Цзянь, Краснов А. Ю., Капитанюк Ю. А., Чепинский С. А., Холунин С. А., Чэнь Ифань, Лю Хуэйминь, Хвостов Д. А. Траекторное управление движением твёрдого тела относительно подвижного объекта // Изв. вузов. Приборостроение. 2017. Т. 60, № 11. С. 1003–1011.

13. Bennewitz M. Mobile robot navigation in dynamic environments. Freiburg: Albert Ludwigs Universität Freiburg, 2004.

14. Hayduk L. A. Personal space: An evaluative and orienting overview // Psychological Bulletin. 1978. Vol. 85, N 1. Р. 117–134. DOI:10.1037/0033-2909.85.1.117.

15. Nawa N. E., Hashiyama T., Furuhashi T., and Uchikawa Y. A study on fuzzy rules discovery using pseudo-bacterial genetic algorithm with adaptive operator // Proc. IEEE Int. Conf. Evol. Comput. 1997. P. 589–593.

16. Chen Weihua. Research on positioning and navigation methods of wheeled mobile robots in social environment. Guangzhou: South China University of Technology, 2018.

17. Masehian E., Sedighizadeh D. Classic and heuristic approaches in robot motion planning – a chronologicaln review // Proc. of World Academy of Science Engineering and Technology. 2007. Vol. 23. Р. 101–106.

18. Kramer O. Genetic Algorithms Essentials. Cham, Switzerland: Springer, 2017. P. 11–19.

19. Trautman P. Sparse interacting gaussian processes: efficiency and optimality theorems of autonomous crowd navigation // IEEE 56th Annual Conf. on Decision and Control. Melbourne. IEEE. 2017. Р. 327–334.