Mobile Robotik : Sichere und Effiziente Autonome Navigation in Anwesenheit von Menschen : safe and efficient autonomous navigation in the presence of humans

Abstract

Damit fahrerlose Fahrzeuge autonom in einer mit Menschen geteilten Umgebung navigieren können, müssen die menschlichen Bewegungen und sozialen Richtlinien (z.B. links überholen) berücksichtigt werden, um eine sichere und effiziente Navigation zu gewährleisten. Diese Arbeit stellt einen prädiktiven Bewegungsregler vor, der auf Menschen reagiert, um die Fahrzeugtrajektorie auf der Steuerungsebene mit einer hohen Aktualisierungsrate zu optimieren. Die Vorhersage von zukünftigen Positionen von Personen ermöglicht es dem System, eine Trajektorie mit diesen Vorhersagen zu optimieren, was eine Sequenz von Motorsteuerungen für eine sanft ausgeführte Bewegung ergibt. Die Vorhersage basiert auf menschlichen Bewegungsdaten, die aus der Beobachtung des Umfeldes gelernt werden. Eine modellprädiktive Regelung wird um Beschränkungsfunktionen erweitert, die eine sichere Entfernung zu Menschen und ihren vorhergesagten zukünftigen Positionen sicherstellen. Weiters um Kostenfunktionen, die Trajektorien bevorzugen, die den sozialen Richtlinien entsprechen. Die Verbesserungen wurden bezüglich Fahrzeit, Weglänge und Mindestabstand zu Personen entlang der geplanten Trajektorien statistisch ausgewertet. Zusätzlich wurde analysiert, wie gleichmäßig die geplanten Trajektorien in Bezug auf Geschwindigkeit und Orientierung waren, da plötzliches Bremsen, Beschleunigen oder ruckartige Drehungen Menschen in unmittelbarer Nähe irritieren könnten. Auf diese Weise konnte gezeigt werden, dass der entwickelte Regler wesentlich besser ist als ein Regler der menschliche Bewegungen nicht beachtet.

In order to enable driverless vehicles to navigate autonomously in an environment shared with humans, the human movements and social guidelines (e.g. passing side preferences) have to be considered, to ensure both safe and efficient navigation. This work presents a predictive, human-aware motion controller which optimizes the vehicle trajectory at the control level with a high update rate. Predicting future positions of persons allows the system to optimize a trajectory around those predictions, yielding a sequence of motor controls for a smooth executed motion. The prediction is based on human movement data, learned from observing an environment. A model predictive controller is enhanced with constraint functions that ensure a safe distance to humans and their predicted future positions, and with cost functions that favor trajectories that satisfy social guidelines. The improvements were statistically evaluated using simulation runs in terms of travel duration, path length, and minimum distance to persons along the path. Additionally, we also analyzed how steady the planned trajectories were, in terms of velocity and orientation, as sudden brakes, accelerations or jerks to some direction could irritate humans in close proximity. This way, we are able to show that the developed motion controller performs significantly better than a controller without human-awareness.