Please enable JavaScript.

Coggle requires JavaScript to display documents.

Robot Motion Planning - Coggle Diagram

- - - - medizinische Roboter, search-and-rescue Roboter etc.
- - - - Erfordern schnelle und genaue Physiksimulationen für die Planung mit Dynamik oder für die Manipulation
  - - - Erfordert Forschung in komplementären Bereichen
        
        algorithmische Robotik z.B. Bewegungsplanung
        
        Mensch-Roboter-Interaktion z.B. kognitive Modellierung, Absichtserkennung und Aktivitätsvorhersage
    - - Tools aus anderen Gemeinschaften zum nutzen machen um bestehende Tools zu überdenken um sie für diesen Bereich geeignet zu machen
- - - - C-space beschreibt durch verschiedene Parameter die Position und Orientierung von R
- - - - es wird festgestellt, ob es Xfree oder Xforb ist
  - - - Beschreibung zur Formel: W ist in R² enthalten, genauso wie X in R² enthalten ist. Diese werden mit 0,2PI multipliziert.
  - - - Diese zwei Phasen zeigen, wo G zuerst konstruiert wird (explizit oder implizit) und dann die Suche nach der Route (collision free) vom Start zum Ende
  - - - Die Wahrscheinlichkeit, eine Lösung zu finden, geht mit der Laufzeit des Algorithmus auf 1, sofern eine Lösung existiert (7, 8).
- - - - probabilistische Algorithmen: PRM, RRT
        
        werden in manchen Domains nicht akzeptiert
      - verschiedene Vorteile im Gegensatz zu probabilistischen Algortihmen
        
        z.B. reduzierte Berechnungskomplexität
        
        z.B überlegene empirische Leistung bei einem breiten Spektrum von Problemen
        
        Möglichkeit eine optimale kino-dynamische Bewegung zu nutzen
  - - - Ekenna et al. erwägen verschiedene Metriken, die speziell für das motion-planning Problem zugeschnitten sind
        
        eine Reihe von Metriken, die aus kleinen Einstellungen bestehen
        
        Auswahl der richtigen Metrik für ein spezifisches Problem
        
        noch nicht annähernd gelöst
      - Problem: "Curse of dimensionality" or "Suprising behavior of distance metrics in high dimensional space"
        
        NN versagt in hoch dimensionalen Räumen
        
        NN Algorithmen unpraktisch für stichproben-basierte Planer, wenn eine große Anzahl von Stichproben generiert werden muss
  - - - Praxis: oft wird die lokale Planungsphase als der Hauptengpass angesehen
        
        zudem werden viele Umgebungen als NN-sensitive bezeichnet
        
        die NN-Suche ist nach einer endlichen Zeit nicht vernachlässigbar
        
        Zurückführung von NN-Empfindlichen Einstellungen
        
        Planer, die das Rechengewicht des Algorithmus algorithmisch auf die NN-Suche verlagern
        
        Szenarien, in denen bestimmte Planer hauptsächlich die NN-Suche durchführen
        
        fein abgestimmte Parameter, für die bestimmte Planer viele NN-Abfragen durchführen
        
        speziell zugeschnittene
        NN-Techniken für die Bewegungsplanung
        
        Methode 1: spezifische Abfragen des
        Bewegungsplanungsalgorithmus
        
        Methode 2: spezifische Topologie von X ausnutzen
        
        Die Verwendung der oben genannten Methoden erlaubt es, die Laufzeit vieler Suchalgorithmen in vielen Einstellungen im Vergleich zur Verwendung von Standard-NNN-Ansätzen deutlich zu verbessern.
        
        Sie eignen sich jedoch in der Regel nicht für den allgemeinen Typ von C-Räumen, wie sie bei der Bewegungsplanung vorkommen.
  - - - Information definiert die Laufzeit
      - die Roadmap zu konstruieren, ohne zu bewerten, ob sie kollisionsfrei ist oder nicht
        
        "lazy construction"
        
        beansprucht weniger Zeit
      - Standard Algorithmen für Pfadplanung können zu einer großen Planungszeit führen
        
        Lösung: Methode, die die gesamte Planungszeit minimiert, durch den Ausgleich von Randauswertungen
  - - - nur eine kleine Teilmenge der Freiheitsgrade gleichzeitig eingeschränkt
        
        Das führte zu einer Reihe von Definitionen die sowohl die "Enge" einer Passage als auch ihre "Dimension" gleichzeitig zu erfassen.
    - - begrenzter Abstand fordert die Trennbarkeit zwischen den Robotern und ihrer Anfangs- und Endplatzierung
    - - bestehende Algorithmen analysieren und effiziente neue Algorithmen vorschlagen
        
        So ein Modell könnte zum Beispiel den minimalen Abstand zwischen Hindernissen erfassen
        
        Es ist noch viel Arbeit an Datenstrukturen und Algorithmen erforderlich, die die Struktur des C-Raums effizient ausnutzen
  - - - Janson et al. zeigten, dass die
        Kostenfunktionen ausgedehnt werden können
        
        metrische Kosten
        
        linienintegrale Kosten
        mit Optimalpfadverbindungen
        
        linienintegrale Kosten mit
        geradlinigen Verbindungen
        
        Dies erfordert die Berechnung des Volumens der Einheitskostenkugel, die für komplexe C-Räume höchst nicht-trivial sein können.
      - Besipiel: Interesse an
        Kostenfunktionen, die eine
        Mensch-Roboter-Interaktion beinhalten
        
        Lesbarkeit und Vorhersehbarkeit;
        (Bewegungen erzeugen)
        
        wurde nur mit lokal optimalen
        optimierungsbasierten Methoden gelöst
        
        Keine Sicherung für die Berechnung
        bei solchen Einstellungen
      - Beispiel: Verfolgen von Aufgaben
        (wird in der Chirurgie angewendet)
        
        Verfolgung durch die Fréchet-Metrik, um die Bahnen im Aufgabenraum mit dem Raum der Positionen und Orientierungen des Endeffektors des Roboters zu vergleichen
  - - - je weiter die zwei Punkte voneinander entfernt sind, desto höher ist die Wahrscheinlichkeit, dass der Pfad ein Hindernis trifft
    - - daher nimmt man eher "close-by" Konfigurationen
    - - fundamentale Eigenschaft: probabilistische Vollständigkeit
      - RRT und PRM werden nicht die optimalen Pfade finden
      - Ziel: den optimalen Pfad zu finden, mit hoher Qualität
  - - - verschiedene Varianten von asymptotischen optimale stichprobenbasierte Algorithmen
        
        verschiedene Techniken z.B. "lazy computation"
      - großes Problem: parameter tuning
        
        Eine bessere Charakterisierung von C-Räumen würde es uns ermöglichen, einen C-Raum auf die optimale Parameterwahl für einen gegebenen Algorithmus abzubilden.
      - Stichprobenbasierte Methoden haben den Bereich der Motion-Planung revolutioniert
        
        exakte Algorithmen zu schwierig zu implementieren
        
        Stichprobenbasierte Methoden sind einfach zu implementieren und können in physischen Robotern genutzt werden
    - - Man plant mit wegen die mit hoher Wahrscheinlichkeit ausführbar sind
    - - Problem der Bewegungsplanung auf hoher Ebene kann effektiv gelöst werden indem man es auf mehrere kleine Planungsprobleme reduziert
    - - Diese Fragen müssen alle einzeln Untersucht und hinterfragt werden
    - - Ein möglicher Ansatz wäre die Verwendung des Konzepts der lösungsgenauen Planer
        
        Solche Planer akzeptieren als Eingabe einen Auflösungsparameter ε und eine Genauigkeitskonstante K, so dass, wenn es einen Freigabepfad Kε gibt, ein Pfad ausgegeben wird, und wenn es keinen Freigabepfad ε/K gibt, korrekterweise ausgegeben wird, dass kein Pfad existiert.
        
        Diese Planer können jedoch nur für wenige System verwendet werden deshalb wäre es ein Vorschlag allgemeinere Planer vorzuschlagen