43、基于学习感知模块和收缩理论的图像安全输出反馈运动规划

基于学习感知模块和收缩理论的图像安全输出反馈运动规划

1. 运动规划与感知控制概述

在机器人的自主运行中，安全可靠地部署机器人需要对其感知、规划和反馈控制模块中可能面临的不确定性进行系统分析。传统的先进方法大多是分别分析每个模块，例如先验证感知的准确性，在名义动力学模型下找到安全的规划，然后使用稳定的跟踪控制器。然而，这种方式忽略了各模块误差的传播，动力学和感知的不准确可能会使下游的反馈控制器不稳定，导致任务失败。

为了解决这个问题，我们考虑输出反馈运动规划问题（OFMP），它联合规划名义轨迹并设计反馈控制器，在使用不完美状态信息（即输出反馈）时能安全地将系统稳定到某个目标。解决 OFMP 的一个具体方法是界定系统在使用输出反馈跟踪计划时可能到达的状态集合，即闭环输出反馈轨迹跟踪管，并确保其无碰撞。但实际机器人在解决 OFMP 时面临一些挑战：
- 跟踪管计算效率 ：跟踪管应能针对任意轨迹高效计算，以便在规划循环中限制可安全访问的状态集合。然而，解决可达性问题的计算量很大。
- 传感器数据处理 ：在运行时处理丰富的传感器数据（如图像、深度图等）通常通过基于深度学习的感知模块进行，这些模块功能强大但容易出错。界定这种误差及其对轨迹跟踪误差的影响很困难。

2. 解决挑战的方法

2.1 收缩理论的应用

为应对跟踪管计算效率的挑战，我们使用收缩理论。收缩理论对 OFMP 具有特殊意义，它能实现以下两点：
- 设计稳定反馈控制器和收敛状态估计器 ：可以设计出稳定的反馈控制器和收敛的状态估计器。