麻省理工学院计算机科学和人工智能实验室的研究人员最近开发了一种机会受限的运动计划系统，该系统可应用于运动不确定性以及状态信息不完善的情况下的高自由度（DOF）机器人。
在arXiv上预先发表的一篇论文中概述了他们的方法，可以找到满足用户指定的碰撞概率界限的可行轨迹。
“这项工作的主要灵感是受现有机会受限的运动计划者的限制，”进行这项研究的研究人员之一戴思宇告诉TechXplore中国机械网okmao.com。“
我发现许多最先进的运动计划器要求将障碍物化为凸形，这对于高范围领域的计划（例如机械手运动计划）是不可行的。其他受机会限制的主流运动计划器都基于快速发展探索随机树（RRT）方法，其中高维计划任务的速度非常重要。”
为了解决现有运动计划系统的局限性，Dai和她的同事着手开发一种快速反应且受机会限制的运动计划器。
这种运动计划器对于完成受严重干扰和有限观察（例如水下操纵）的任务的机器人特别有用。
他们创建的概率Chekov（p-Chekov）系统基于他们先前在确定性运动计划中的工作，该计划将轨迹优化集成到了稀疏的路线图框架中。
P-Chekov使用线性二次高斯运动规划方法来估计机器人的状态概率分布。然后将正交理论应用于路点碰撞风险估计，并调整风险分配方法，以将可允许的故障概率分配给路点。
“我们开发的机会受限运动计划系统包括确定性计划组件和风险评估组件，”戴解释说。“
确定性组件首先根据环境信息构建由可行，无碰撞的边组成的路线图。在在线规划任务中，然后从路线图中搜索可行轨迹，并使用轨迹优化器对其进行平滑。
然后将此轨迹传递到风险评估组件中，该组件基于噪声的估计来评估碰撞的风险。”
研究人员在机器人的仿真环境中对其算法进行了测试。
如果由P-Chekov风险评估组件计算的碰撞风险违反了预定义的机会约束，则将轨迹返回给确定性计划器，并添加新的约束，以找到风险较低的轨迹。
如果碰撞风险满足机会约束，则系统将简单地执行建议的轨迹。
与现有的具有风险意识的运动计划者相反，P-Chekov可以应用于高自由度机器人计划任务，而不必将障碍物化为凸形。
在仿真测试中，该系统有效降低了碰撞风险，并在高维机器人通常遇到的现实世界中，满足了用户指定的机会约束。
Dai说：“我们建立了机会约束运动计划系统，该系统可以包含高维运动计划任务。”
“这意味着机会受限的运动计划不再局限于驾驶型任务，而是现在可以应用于带有手臂的移动机器人，例如人工支持机器人和水下机械手，它们可以根据不同的风险等级要求制定计划。”
将来，P-Chekov可以应用于各种高维机器人，从而在不确定的情况下改善其运动计划。
尽管其结果令人鼓舞，但由于次优的风险分配和有限的正交节点数量，系统计划阶段的结果有时仍可能过于保守。
在初步测试中，研究人员已经开始评估可以增强系统效用的技术。同时，他们还计划改进P-Chekov的碰撞概率估计算法，以进一步提高其避免冲突的能力。