自主导航中的混合路径规划方法——RobMAP：基于ROS的规划与无碰撞路径生成

沙特国王大学学报使用ROS仿真器GayathriRajendran，Uma V，Bettina计算机科学系，工程与技术学院，本地治里大学，本地治里605014，印度阿提奇莱因福奥文章历史记录：2021年1月4日收到2021年7月3日修订2021年7月3日接受2021年7月14日在线提供保留字：自主导航地图探索机器人操作系统规划领域定义语言规划器路径规划基于采样的算法优化A B S T R A C T安全、有效地探索未知的非结构化环境是自主移动机器人在高维工作空间中的关键。自主探索对于在具有障碍物的环境地图中安全可靠地构建完整准确的路径至关重要。任务规划往往是在解决符号问题的过程中寻找一系列离散的行动。运动规划通过避开环境中的几何障碍物来寻找最优路径。这两种方法的融合有利于在未知环境中找到路径。本文提出了一种混合路径规划方法，称为RobMAP（Robotic Motion and Action Planning），通过按顺序执行期望的任务来实现高效的导航，从而在大规模室内环境中生成最优路径。在实现这一点，行动规划是通过ROSPlan框架使用规划域定义语言（PDDL）规划器和无碰撞路径生成基于采样的快速探索随机树（RRT）算法。ROSPlan系统用于较少约束的工作空间，它估计在探索每个动作的优化信息增益。此外，这两种方法的集成导致智能运动规划器基于PDDL动作规划器规范搜索朝向目标的最佳路径。使用机器人操作系统（ROS）控制的Rviz工具，通过执行一系列指定的动作，使用PDDL合成室内环境进行了广泛的实验。Turtlebot配备了一个激光传感器，它探索的环境地图具有更高的精度和准确性，在寻找最佳路径。演示的结果证实，所提出的方法集成RRT与PDDL提供了最佳的解决方案，具有更短的路径长度在更短的运行时间。与现有的其他勘探策略相比，该方法的准确度、精度和覆盖范围都更高。©2022由Elsevier B.V.代表沙特国王大学出版。这是一篇开放获取的文章，CC BY-NC-ND许可证（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍使用自主移动机器人探索未知环境的任务在许多应用中是必不可少的，例如运输、农业、在自然灾害、人为灾害等情况下的搜索和救援行动（Chatziparaschis等人，2020年）。例如，在发生灾难时，有许多障碍物难以感知，机器人难以到达特定的目标。最具挑战性的任务是规划路径*通讯作者。电子邮件地址：gayathrir339@gmail.com（G. Rajendran）。沙特国王大学负责同行审查制作和主办：Elsevier以及识别未知环境中的障碍物。机器人通过传感器感知环境（即，激光传感器），并建立一个完整的环境地图导航。当满足约束条件时，通过避开障碍物和遵循动作序列，导航将更加有效。因此，要与路径寻找一起执行的任务由运动和任务规划（MTP）给出（Lagriffoul等人，2018年）。运动和任务规划通过执行以下操作来完成机器人在给定环境中从开始位置到目标位置的导航一系列合理的行动。运动规划，也称为路径规划，找到从源到目的地的无碰撞路径。已经开发了各种技术和算法用于机器人路径规划，其中基于采样的算法称为快速探索随机树（RRT）（Umari和Mukhopadhyay，2017），被发现在许多情况下提供了最佳可行解决方案（Gayathri和Uma，2018）另一方面，任务规划定义了执行确定任务的行动的进度执行定义的https://doi.org/10.1016/j.jksuci.2021.07.0021319-1578/©2022由Elsevier B. V.出版代表沙特国王大学这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表沙特国王大学学报杂志首页：www.sciencedirect.comG. Rajendran，Uma V and B.沙特国王大学学报7469任务规划问题，使用各种规划器。为了规划路径以及要执行的相应任务，机器人需要领域知识和基于环境的约束的定义（Dantam等人，2018; Dantam等人，2016年）。有各种语言帮助定义环境表示，例如，在规则方面，这将指导机器人在环境中导航和执行任务。RobMAP（Robotic Motion and Action planning）系统使用PDDL，一种表示动作规划和路径寻找问题的标准语言。使用PDDL的容易性（Ferrer-Mestres等人，2017年）是一种以动作为中心的语言，它通过展示分别表示动作的原因和结果的前置条件和后置条件来简化动作序列。PDDL（Muñoz，2016）的目的是允许使用一阶谓词和逻辑连接词，而不是使用命题来指定动作序列。此外，该语言支持定制的规则操作，提供更清晰的描述规划问题。在我们的工作中，环境配置空间和行动序列是指定使用PDDL。此外，SLAM算法被用于机器人映射，即。定位机器人在环境中的位置，同时构建和更新地图（Pajaziti，2014）。为了估计代理SLAM解决了在非确定性环境中代理的并发定位和映射问题，这是迄今为止，在自动驾驶汽车中使用的。类似地，自适应蒙特卡罗定位（AMCL）算法被用来检查机器人在环境地图中的位置该算法使用蒙特卡罗过程的自适应KLD采样，这是一种（Bernardini等人，2017年）的概率方法。在这项工作中，映射和导航过程中使用的SLAM和AMCL算法。为了在仿真下集成路径和任务规划问题（Cashmore等人，2015a），我们使用机器人操作系统（ROS），这是一个开源的元操作系统。它为构建机器人应用程序提供了ROS的目的（Qian等人， 2014）是开发一个平台，其中通用机器人的鲁棒行为被内部识别，使得不需要为每个应用重新创建复杂的机器人行为。因此，给定一个机器人应用程序，包括必要的软件包以及方法将提供所需的模拟结果。在可用的库、包和插件中，导航是一个包，它包含在仿真期间使用和可视化机器人运动所需的软件库使用Rviz工具可以看到规划的可视化 我们在Gazebo模拟器中使用Turtle机器人模拟MTP问题（Yao等人，2015年; Rajendran和Vijayasundaram，2020年）和Rviz使用ROS的工具。1.1. 贡献在实时设置中，结合运动和任务规划是模糊的，而且要求更高。一般的运动规划器主要考虑几何约束条件对避障和最优路径的影响，当任务规划与运动规划结合时，只考虑几何约束条件会导致运动规划不可行。运动规划器算法具有较低的时间复杂度，但它因此，当考虑动力学微分约束时，运动规划器的几何解通常，经典的运动规划器使用基于采样的算法来寻找路径，而不考虑动作控制。约束。但是，在指定了约束的情况下，当生成的路径实际上满足使用PDDL指定的动作序列时，它可以用于导航。在我们的工作中，所提出的方法RobMAP，集成PDDL和基于采样的算法。在这项工作中，RRT被用于寻找无碰撞路径，因为它在时间方面表现得更好，与其他基于基线采样的方法相比环境地图设计有不同的房间和静态障碍物。在ROS仿真器中，采用AMCL和SLAM算法进行机器人定位和本文的贡献在于感知和理解室内环境地图，并考虑动作序列约束进行路径规划。捐款是。动作规划和基于采样的运动规划紧密耦合，以有效地计算满足动作序列约束的无碰撞路径。基于采样的RRT路径规划算法通过ROSPlan框架与PDDL规划器集成，以在动作序列受限的环境中提供最优路径。对算法的执行时间、总路径长度、精度、覆盖范围和精度进行了评估，证明了该方法能够提供最优的过渡路径点。本文件按以下方式编排。第二部分介绍了所选问题的背景工作和相关研究。第三节讨论了环境模拟和表示细节。第4节讨论了所提出的架构的各个阶段及其工作流程。在第五节中，定义了实验装置，使用基于采样的算法和PDDL规划器获得的结果.本节还涉及对拟议工作和其他基线办法的比较分析。最后，第六节对分析结果进行了简要总结，并对未来的研究方向进行了展望.2. 相关工作运动规划和动作规划是两个不同的问题，但将这两种目标不同的规划技术结合起来，仍然是机器人领域的一项具有挑战性的任务。规划运动（Zaman等人，2018; Benton等人，2018; Rodríguez-Molina等人， 2021）或任务（Bernardini et al.，2017）需要一定的规划师和有关环境的额外领域知识。有两类的路径规划器，其工作在配置空间（C-空间）或笛卡尔空间。我们的环境包括在C空间中工作的路径规划器。为了规划路径，规划者需要配置对规范，在我们提出的方法中，配置对规范由RRT开始和目标坐标给出（Umari和Mukhopadhyay，2017;Lindqvist等人，2021年）。就任务规划者而言，各种动作序列规划者（Diab等人，2019; Bernardini等人，（2017年）根据正在执行的任务的目标提出。一种这样的规划器，SMAP包括符号以及几何先决条件（Dantam等人，2016）通过使用数学构造的树找到可能的区域，然后执行任务。后来，提出了一种名为aSyMov（Muñoz，2016）的规划器，其旨在将基于概率路线图（PRM）采样的方法与用于验证高级任务的PDDL相包括PRM的方法的显著限制是没有处理由环境施加的潜在变化约束（Dantam等人，2016年）。但是，另一种称为INTERACT的方法（Plaku和Le，2016）使用PRM和（Mohanan●●●G. Rajendran，Uma V and B.沙特国王大学学报7470和Salgaonkar，2020）使用HMM进行路径规划。这解决了环境动态，通过建立一个运动树，其中包括所有可行的无碰撞路径。此外，它使用PDDL来指定高级目标。尽管T-REX已经成功地通过计划执行架构将计划与机器人技术集成在一起（McGann等人，2008）、MDP规划者（Chanel等人，2014）等，这些规划器没有广泛用于自主导航系统。相比之下，ROSPlan框架（Cashmore等人，2015 b）将PDDL 2.1（规划域描述语言）和机器人操作系统（ROS）联系起来，ROS是一个强大而有效的方法规划系统。利用避障策略建立精确的路径对于精确导航是非常重要的近年来，已经提出了许多勘探方法，即深度优先搜索方法（Lagriffoul等人， 2014）、波前前沿检测器（WFD）（Keidar和Kaminka，2014）、基于信息的方法（Pimentel等人，2018年），机器人只扫描分配的地图，而不扫描整个地图。但是，在大比例尺环境地图上，效果并不理想。其中，基于前沿的方法是最常见的勘探方法 它通过选择最近的边界来实现完全覆盖区域（Li等人，2020年）。边界边缘是在占用网格地图中将已知空间与未知空间分开的线为了提取边界边缘，必须对完整的地图进行处理和扩展。这将消耗更多的计算资源，并且最终的探索路径不是最优的。然而，利用基于前沿的方法可能是低效的，因为机器人可能会尝试重新访问已经探索过的地图区域。为了解决这个问题，Umari和Mukhopadhyay（2017）提出了使用RRT快速检测前沿点的想法。RRT探索基于使用随机点的样本的地图，这些随机点用于以树状结构的形式扩展边缘。使用RRT的好处是，它提供了完整性，确保完整的地图覆盖。RRT也可以被认为是一种蒙特卡罗方法，它减少了允许扩展的节点周围的搜索量。它降低了边界点在障碍物附近的选择概率。RRT是一种快速的概率规划方法，可以扩展到具有多机器人的多维空间（Zhang等人，2020年）。此外，RRT在概率上是完整的，因此它保证了地图的完整探索。Umari和Mukhopadhyay（2017）提出了一种使用RRT进行大规模地图探索的新探索策略。在我们之前的工作（Gayathri和Uma，2019）中，我们使用基于采样的方法对经典路径规划问题进行了实验分析，我们发现RRT在静态环境中找到无冲突路径的效果最好。此外，经典的基于采样的方法本身工作良好，但它不满足任何环境用户定义的约束，而没有象征性的行动计划（Dantam等人，2018年）。因此，在我们之前的工作（Gayathri和Uma，2019）的基础上，在这项工作中，所提出的方法集成了基于RRT采样的技术和动作序列规划，旨在通过满足域约束来选择朝向目标点的最佳动作序列。使用RRT进行运动规划的优势在于，它支持用于在给定环境中避开朝向目标的障碍物的差分约束，通过选择更接近子任务或子计划的中间节点，而不是从开始状态开始搜索，使用规划领域定义语言（PDDL）指定的领域约束引导扩展朝向完成任务的目标。3. 环境表示和工作空间机器人模型可以在其中被构造和工作的环境的表示可以使用通用机器人描述符（URDF）来指定，URDF是XML构建的文件。URDF提供了一个标准，用于指定机器人元件的描述。机器人的元件或部件被称为组件，其包括多个变量、轴、位置、方向和谓词。这些组件用于定义它们之间的属性或关系。使用URDF，可以构建可移动机器人，并可以进行修改以改变手臂和关节规格。除此之外，碰撞属性可以以这样的方式指定，即障碍物以及诸如高度和宽度之类的参数可以以xml标签的形式给出，以避免碰撞。URDF可以与Gazebo集成，包括应用特定的标签以及基本的通用机器人规格。在我们的实验中，我们选择了一个工作区与海龟机器人在露台模拟器实现。Gazebo还授权使用机器人路径规划算法的真实场景进行回归测试。由于这个模拟器只处理SDF文件，我们使用sweethome3D软件构建了我们的环境，然后进行了三重转换。该模型被生成为一个目标文件，它被转换成一个dae文件使用搅拌机。使用SketchUp和Autodesk软件，将dae文件从dwf转换为sdf。sdf文件已启动到Gazebo。硬件结构以及Turtlebot所需的组件如图1所示。关于Turtlebot的每个组件的控制可以在URDF-XML文件中描述。机器人的表示可以根据函数及其相应的参数或组件来定义。例如，以下命令描述了Turtlebot的功能表示。component（robot_base）定义了固定轮子的底座是Turtlebot组件的组件（robot_camera）定义了充当视觉传感器的摄像机是bot组件的组件（robot_wheel）定义了决定bot的几何轴的移动或变化的轮子也是组件Fig. 1. 乌龟机器人●●●G. Rajendran，Uma V and B.沙特国王大学学报7471architecture_child（robot_base，robot_wheel）定义了Turtlebot的轮子和底座之间的关系，able（robot_base，robot_wheel，move）定义了使用Turtlebot的底座和轮子可能进行的动作移动。最初，我们创建了一个静态环境，并使用MATLAB实现了RRT（Gayathri和Uma，2019）。RRT的优先级是因为它能够探索未搜索的空间并将其扩展到更高的维度。 在图2a中描绘了环境，图2a示出了具有障碍物的实际环境，图2b以矩阵的形式定义了环境的表示，其中障碍物被设置为具有黑色背景的“0”，并且无碰撞可行路径被设置为具有白色背景的“1”。目标位置与障碍物和具有红色背景的可行路径区分开。图2c描绘了海龟机器人探索的环境。最后，图2d描绘了RRT算法生成的实际无碰撞路径。在本文中，通过使用上述定义的Turtlebot组件和RRT算法，我们已经基于ROS框架使用Gazebo构建了一个静态3D环境，如图3所示。我们需要的文件转换工具来构建环境并将模型作为SDF文件加载到Gazebo中，这些工具是SweetHome3D，blender，Sketchup和Autodesk。我们使用SweetHome3D设计软件建立了一个三维环境作为目标文件，然后使用blender生成一个dae文件。使用Sketchup将dae转换为dwf文件。最后，使用Autodesk生成SDF文件并加载到Gazebo中。图3a、3b、3c分别描绘了加载到Gazebo中的模型、在Rviz中可视化的RRT生成的路径以及Turtlebot对环境的探索。3.1. 规划办法在解释所提出的工作之前，我们首先解释运动规划和任务规划。这将有助于理解拟议的工作。图二. (a)实际环境，（b）它的表示，（c）树探索和（d）使用避障机制的无碰撞路径的目标图三. (a)Rviz中的环境（b）RRT在Rviz中生成路径（c）Turtlebot的环境探索。3.1.1. 运动规划运动规划是从给定的源S和目的地G通过配置空间C找到最佳无障碍路径的过程。被认为是一组固定的障碍物和墙壁的配置空间。当前机器人的位置是p。空间位形空间可以被识别为自由空间和障碍空间。表示为CfreeC的自由空间包括见 图 4 。 (a)Gazebo 中 构 建 的 3D 环 境 示 例 （ b ） Rviz 中 的 2D 占 领 网 格 地 图 （ c ）Turtlebot探索环境（d）Turtlebot在Rviz中导航到目标。●●G. Rajendran，Uma V and B.沙特国王大学学报7472.Σ.Σf1：tg123不可行路径，即，障碍物空间表示为CobsC，包括导致碰撞的位置。运动规划问题可以表示为由R¼Ts C; Ts; Tg; Cfree; Cobses其中C表示所有可能配置的空间，并且找到的最终路径T属于所标识的C-空间。Ti表示初始位置，而Tg表示目标位置。必须设置有效的初始位置TisCfree和位置TgsCfree连续机器人路径的序列可以由表9给出。不1/4 f T; T; T;.. . ;Tg2图4描绘了海龟机器人如何使用RRT方法探索环境的2D视图。算法1描述了RRT有助于生成可行路径的过程（LaValle，1998）。生成的最合适的路径将是Turtlebot导航的实际路径。w：IωA！I是一个确定性的状态转换函数，I0sI是域的初始状态，IgsI是域的目标状态。域3.1.3.运动-任务规划MTP（运动和任务规划）的工作原理是结合路径规划和行动规划.在路径生成之后，给定目标状态，必须执行单个或一一般来说，机器人需要逻辑和几何推理来成功执行各种任务。逻辑推理决定了完成目标所需的行动，而几何推理则规定了这些行动如何在物理上被执行。在特定的环境中形成。为了解决任务规划者忽略这种几何先决条件的问题，在任务执行之前生成必须执行任务的路径，之后执行实际的动作MTP结合了选择对象和生成的路径，通过序列的航点。通常，任务规划使用各种经典的AI规划器，这些规划器基于启发式搜索或优化算法一任务规划方法使用基于域约束的启发式搜索，这有助于找到从给定开始到期望目标状态的离散动作序列。几何运动规划使用基于采样或优化的方法来发现从给定起始配置到期望目标的无碰撞路径。MTP被认为是一个域规划问题，在各种环境中，如完全或部分可观察，确定性或非确定性，单代理或对抗或合作的情况下。在这项工作中，我们必须专注于在确定性环境中提供贡献。在确定性环境中提供解决方案似乎很容易。但是，它可能被许多障碍 物 所 扰 乱 ， 并 且 在 复 杂 场 景 的 情 况 下 可 能 具 有 复 杂 的 结 构（Tsardoulias等人，2016），即简单结构化、凹结构化、窄结构化、密集结构化、复杂非结构化环境、未知室内环境、小尺度和大尺度室内环境（Ab Wahab等人，2020; Liu等人，2020年）。这些环境是足够有效的精确映射和移动机器人导航中找到最佳trajec-tories。然而，概率环境对于地图绘制或导航来说不够精确，并且在诸如结构化、非结构化复杂环境的受限区域中并不总是可用或可靠的。即使可靠的概率环境是可用的，它需要与一个精确的地图的机器人表面，为了识别无障碍轨迹相结合。因此，在这项工作中，我们专注于确定性环境。在Gazebo的三维环境中实现了基于RRT采样的经典方法，并利用Rviz工具生成了二维Occu-Grid图 这在图中示出。4a、4b、4c和4d。这些图描绘了在设定开始和目标位置后，海龟机器人如何在环境中探索和导航3.1.2. 任务规划任务规划是从初始状态到期望状态的一系列离散或象征性的动作。任务规划问题可以表示为域配置中的元组。表9给出了代表性R ¼ I;A;W;I0;Ig其中I是一组有限的状态，在变量范围内变化I0;I1;I3...........In1，A表示命题动作（a0，a1，a2 an）的有限集合，4. 建议的体系结构所提出的工作使用ROSPlan框架，该框架最初在寻找最佳无冲突路径的过程中生成执行动作序列的计划。所有三个模块都以这样一种方式整合，即每个子模块对目标的贡献相等。该方法是组织在建立一个环境地图，路线（行动序列）规划和路径查找方面。4.1. 环境设置阶段该体系结构的初始阶段由Robotic OS组成。ROS是介于硬件和应用程序之间的中间件它是一个元操作系统，提供工具、库和软件框架，以构建各种应用程序。G. Rajendran，Uma V and B.沙特国王大学学报7473它提供了不同模块之间的通信框架，可以连接机器人系统的传感器和致动器。启动ROS系统的主要工具是roscore和roslaunch。‘Roscore’ is aspecialization tool for launching a ROS sys- tem and ‘Roslaunch’aids in launching multiple ROS nodes via a secure shell在这项工作中，我们模拟了一个海龟机器人控制的ROS系统的映射和导航的机器人在室内环境中。这项工作提出了使用动作序列的约束感知室内寻路。动作约束被指定用于构造满足动作序列的最优路径。ROS有一些内置的功能，包括SLAM和AMCL技术。它们被用来导航海龟机器人。映射和定位过程分别使用“gmapping”和“amcl”算法完成。下面详细说明SLAM和AMCL算法的功能和工作4.1.1. 定位和映射技术ROS实现了一种在未知环境中对机器人进行并行定位和映射的方法。它使机器人能够定位自己并在环境地图中导航。同时定位和映射（SLAM）技术类似于使用称为SLAM映射包的ROS节点来构建2D占用网格映射框架。该软件包提供基于激光的SLAM功能，并在gmapping软件包中提供。为了理解环境的完整地图，机器人应该从其传感器测量中了解关于周围环境的隐含知识。传感器通过基于扫描（/laser）、里程计（/odom）和Transformer（/tf）的辐射的受激发射来捕获由光放大感知的数据。 因此，在本发明中，当机器人位于自由配置空间或障碍空间中时，机器人可以在操作时感知目标状态。SLAM问题可以由表9定义P2P X1： t;M1： tj S1： t; Z1： tP2P4P其中，Xt是机器人机器人的位置是由自适应蒙特卡罗定位（AMCL）算法。海龟机器人在地图上的当前位置由AMCL决定AMCL使用粒子滤波器从机器人的当前状态到相邻的坐标状态。amcl软件包为在2D网格地图中移动的机器人提供了一个概率定位系统。● move_base提供一个动作的执行。图图6a描绘了Gazebo中的模拟测试台环境，图6 b描绘了Rviz中的相应图像。4.2. 行动排序阶段第二阶段包含ROSPlan模型，其中定义了规划任务的必要子功能。在我们的工作中，任务规划需要领域知识，为此我们使用MongoDB来存储环境的表示。PDDL规划器使用这些环境表示来规划Turtlebot在执行给定任务时的动作序列。这是一个计划生成器。最后，计划调度模块在海龟机器人上执行计划4.2.1. PDDL规划领域定义语言是一种标准的经典规划语言，它对一般的人工智能规划问题和规划语言进行了规范化。PDDL利用五个重要组成部分的任何规划问题。该组件包括初始状态、目标描述、对象和谓词，这些谓词定义了为达到目标而更改状态所需的对象和操作的属性。该领域语言将领域预处理成离散的符号动作，用于执行任务序列集.然后，基于约束条件计算房间之间的最优路径带有约束的规划可用于约束较少的工作空间。通过ROSPlan框架实现更智能的行为。ROSPlan是一个通用的规划器，用于在ROS系统中组合任务和运动规划。ROSPlan框架根据存储在数据库中的知识自动构建初始状态作为PDDL问题实例。因此，我们可以调用规划器进行后处理并验证动作，以便计划可以按顺序执行，并使用基于采样的算法找到无冲突路径。ROSPlan包括两个ROS节点，即知识库和规划系统。知识库存储PDDL模型。它存储域模型和当前问题实例。知识库域文件包括与环境中对象的特征相对应的谓词以及为了实现任务而要执行问题文件包括初始和目标位置规范以及环境中存在的对象或障碍物。这两个文件中使用的参数共同表示图五. 建议的架构。●●●G. Rajendran，Uma V and B.沙特国王大学学报7474见图6。(a)在凉亭中使用Turtlebot模拟世界（b）rviz模拟器中虚拟环境的网格地图。域语言的组成部分。域模型包括标识规划域的域名、用于表示谓词的PDDL代码和用于指定动作序列的代码块。问题模型用相应的域名指定问题名称，一个代码块来提及系统对象以及初始和目标状态。图7描绘了PDDL域和问题模型的规范。规划系统。使用request_problem（）函数请求给定环境的任务，之后计划生成器使用generate _plan（）函数生成计划这个过程一直持续到到达目标位置。然后，计划或行动序列被分派执行。下面描述了一个简单的同时（！goal_reached）{request_problem（）generate_plan（）达到的目标= dispatch_plan（）}PDDL计划器用于执行计划的步骤序列如图所示。8.第八条。PDDL计划器完成的程序是：1. 当Turtlebot使用plan request命令请求一个任务时，它会被指定所需的任务。2. 的问题发生器限定一个例如为每个任务t1;t2;. tn.见图7。 RobMAP规划系统的域和问题模型。见图8。PDDL计划员。3. 对于任务ti的每个实例，计划者定义关于如何使用领域知识来完成给定问题的计划。4. 由规划器生成的计划被提供给解析接口，解析接口将给定的计划转换为表示，该表示将以可执行格式定义5. 来自接口的计划表示被分派到模拟器。6. 调度后的动作序列在模拟环境中执行。为了规划机器人在指定方向上避开障碍物，RobMAP方法被使用。基于这些约束，机器人的路径被顺序地排序，并精确地映射到空间信息的探索区域上。因此，它提供了从初始点到目的地的精确导航，同时满足某些条件，如动作顺序和避障。建议RobMAP方法提供了一个最佳的无碰撞路径在最短的时间。域规划问题涉及一组固定的障碍物，墙壁或其他对象和一个海龟机器人定位在地图上相对于不同的位置。PDDL规划器的任务是连接从当前位置到最终配置集的所有路径点。该模型由具有两个自由度（DOF）的Turtlebot执行，并且可以从左到右或从上到下轻松导航。规划问题在PDDL模型中指定了两种不同的格式和文件。一个称为域文件，另一个是问题文件。域文件包括实现运动所使用PDDL模型指定的域约束问题文件用于在环境中声明初始状态和目标规范。图9提供了关于两种模型的信息。4.3. 路径计划阶段该架构的第三阶段包括针对给定环境的路径规划和生成方案。运动规划问题在ROS中使用基于采样的优化算法来实现，该算法在不改变其他属性（例如完整性和全局性）的情况下，同时考虑几何空间和符号空间，引导规划器朝向目标区域。G. Rajendran，Uma V and B.沙特国王大学学报7475探索偏差RRT算法是一种基于采样的方法，它在环境中找到一条从初始状态到期望目标状态的无碰撞路径。我们实验分析RRT算法在一个虚拟的环境中，已可视化的Gazebo和Rviz工具，使用ROS模拟器。这将在下一节中介绍。首先，RRT算法产生随机点的目标状态和连接的随机坐标点从一个初始状态。生成的RRT路径可以通过ROS参数，如成本地图，本地和全局路径规划器进行估计全局规划器从一组可能的配置中生成一条考虑整个环境的广阔路径但是，本地规划器基于某些特定于应用的约束来生成本地路径。在每次迭代中，RRT从其全局生成的路径配置中导出本地路径，以便可以识别距离当前bot位置最近的下一个点。因此，机器人基于最短和下一个最近的点逐点向目标移动。RRT可以基于costmap参数感测环境中的障碍物生成的可行路径将是Turtlebot导航的实际路径。RRT生成路径的性能分析可以在Gazebo和Rviz工具中实验性地可视化，其中使用ROS进行多源点和多目标点分析业绩指标的比较分析载于下一节。RRT算法在考虑几何、运动和符号约束的位形空间中自适应地得到一条安全路径，同时解决了任务和运动规划问题。本文通过ROS中的ROSPlan框架实现了基于采样的运动规划和PDDL动作规划，模拟的室内环境包括诸如房间的边缘和墙壁的对象，其可以在室内寻路中充当障碍物将模拟环境地图定义为E地图初始状态和目标状态分别为EinitsEmap和EgoalsEmapPDDL中的行动计划P n由下式给出：a1; a2;：：; a n，每个计划P i的相应行动序列由输入控件给出序列x1;x2;. ;x n沿着与的约束c1;c2;.. . ;c n. 一个映射w：E！EωA 是一种确定性的状态从环境的初始状态EisE到目标状态E gsE的转换函数。 图 10描述了工作流程该系统它描述了通过验证寻找最佳路径的动作序列，通过无碰撞空间的海龟机器人导航所涉及的程序。● ½E1;E2;E3.. . ：En]是计算行动计划的有限序列状态集，即：a1;a2;：：;ann● 对于序列中的每个Ei/i/1/1;2;：：n-1]状态，基于约束条件i/ci←c1;c2;. ;cn● 满足目标状态E目标。5. 实验装置该实验在Intel Core i5上进行，具有8 GB RAM和Ubuntu 16.04（64位）下的专用GPU Nvidia。该环境构建在Gazebo中，其中Turtlebot使用基于采样的方法和使用PDDL指定的基于建模的3D环境 ， 实 现 了 基 于 采 样 的 算 法 和 PDDL ， 并 将 其 视 为 Rviz 中 的Octomap。Turtlebot的半径设置为0.175 m。在ROS中使用了move base包。这使得机器人能够朝着目标点移动同时安全地避开障碍物（即，边缘、墙壁）基于动作顺序约束。利用Gazebo模拟器建立了面积为270 m2、自由空间面积为182m2封闭的环境允许机器人在有限的时间内探索地图。机器人配备了激光扫描仪，以获取有关其环境的信息。Turtlebot探索传感器范围内的区域。基于里程表数据计算机器人轨迹长度。在模拟环境实验中，设定激光扫描距离为50m，信息获取半径为1.81m2。5.1. 评估指标在本节中，给出了性能度量的定义，即距离、执行时间、覆盖区域、路径点、精度和准确度。计算路径的距离见图9。 域和问题模型。见图10。 拟议系统的工作流程。G. Rajendran，Uma V and B.沙特国王大学学报7476¼¼使用两个坐标点（x1，y1）和（x2，y2）之间的欧几里德距离。该公式在Eq中给出。（五）、表1动作序列Distancedqx2-x12y2-y12ð5Þ相对于机器人从指定位置到达目标位置所花费的时间来估计执行时间。在使用基于前沿的方法执行空间探索之后，计算机器人在环境地图中的覆盖区域。这在Eq. （五）覆盖面积1/4自由空间面积-未开发面积1/6其中自由空间区域标记可以最大化信息增益并且机器人可以自由移动的网格。未探索区域标记最大化信息增益的网格，并且未被机器人探索。机器人使用基于RRT的前沿方法找到的路径到达目标所采取的步骤的数量表示步数或路径点。所提出的模型的效率也可以用真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）来衡量。如果在地图探索期间识别的路径点在前沿点的范围内并且满足动作序列约束，则该路径点被认为是TP。如果在地图探索期间识别的航路点在边界点的范围内但不满足约束，则该航路点被认为是FP另一方面，如果在地图探索期间识别的路点不在前沿点的范围内，但满足约束，则认为该路点是FN在地图探索期间识别的路点如果不在边界点的范围内并且不满足约束则被认为是TN使用TP、FP、TN和FN计算精密度和准确度这在Eqs中示出（7）和（8）。从当前位置本身或通过最近的中间航路点。5.1.2. 基于采样的导航算法参数设置表2列出了所选基于采样的算法的参数。在各种参数中，公差，成本和传感器配置被发现是控制RRT算法的导航效率的重要特征Transform_tolerance是所有坐标系之间的transformation的定位平均值Obstacle _range定义环境中障碍物覆盖的空间。光线跟踪_range特征识别障碍物可见性。Inflation _radius指定与障碍物的距离，Cost _scaling _factor定义探索无碰撞路径的成本。Laser _scan_sensor是Turtlebot用于感知周围环境的输入特征。精密TP公司简介准确度TPTPTNFPFNð7Þð8Þ5.1.1. 动作序列PDDL参数设置参数值，可以有助于海龟机器人导航被认为是。所选PDDL参数的值列于表1中。路点连接的可能数量由Nr _waypoints表示。每个航路点的默认最小距离由Min _distance表示，Casting _distance为从当前位置到连续航路点的移动长度。Connecting _distance表示节点到节点的连接长度，从指定的开始到最终操作占用_threshold表示用于检查探索航路点的完整性的默认值。Total_attempts表示完成动作序列所需的试验次数，Duration指定完成给定动作序列所需的时间机器人环境的初始配置在图11a中示出。各种航路点的准确位置以及各种航路点的方位角和距离估计示于图 11 b.经典规划器的输出为机器人提供了一个计划或动作序列，以便从探索状态中利用更好的动作。图中描绘了在求解5个航路点的实例时执行的一些连接点。 12个。图中显示了规划者如何规划通往每个航路点的安全路径。值得注意的一点是，当从当前位置导航时，机器人不必转到初始位置。但是相反，基于定义的约束，可以达到下一个子目标见图11。 (a)室内环境的占用栅格地图（b）航路点估计。度量测量Nr_航路点10最小距离（m）0.3浇注距离（m）2.0连接距离（m）8.0占用阈值10尝试总数10持续时间（秒）10G. Rajendran，Uma V and B.沙特国王大学学报7477约束。由于在我们的工作中，我们已经考虑了动作约束，RRT，支持控制序列和快速探索在高维空间中使用。见图12。(a)初始航路点[wp0]（b）到达航路点[wp1]（c）到达[wp2]导航至[wp3]（d）到达目标。5.2. 实验结果最初，使用RRT对环境的探索已经针对单个源和多个目标以及从多个起点到多个目标位置进行了测试。的性能进行比较与其他采样为基础的方法，即双RRT和PRM。5.2.1. 基于采样的算法距离和时间是选择用于评估的两个重要指标。表3描述了RRT、PRM和Bi-RRT针对单个源、多个目的地点实现的距离和时间。表4显示了上述3种算法在多个起始点和目标点上实现的距离和时间。图13a和图13b描绘了针对单个源位置和多个目的地位置通过3种算法实现的解长度和运行时间。我们已经测试了算法，考虑- ing A作为起始状态和（B，C，D，E，F）作为目标状态。A的（x，y）坐标？[-49.95，-49.95]和目标位置（B，C，D，E，F）？ （[-53.5，-43.8]，[-56.7，-56.65]，[-44.7，-50.8]，[-54.8，-46.5]，[-47.1，-56.6]）。图14a和图14