Применение искусственного интеллекта для планирования траекторий промышленного робота-манипулятора в стесненных условиях
DOI:
https://doi.org/10.55287/22275398_2026_58_58-66Ключевые слова:
Промышленный робот-манипулятор, планирование траектории, искусственный интеллект, глубокое обучение, RRT, стесненные условия, коллизионное избегание, ROSАннотация
В статье решается актуальная задача повышения автономности и эффективности промышленных роботов-манипуляторов, функционирующих в условиях ограниченного пространства, насыщенного препятствиями. Проведен анализ классических методов планирования траекторий (RRT, PRM, потенциальных полей) и выявлены их ключевые недостатки при работе в стесненных условиях: высокая вычислительная сложность, склонность к попаданию в локальные минимумы и недостаточная адаптивность к динамическим изменениям среды. Научная новизна исследования заключается в разработке гибридного алгоритма AI-RRT, сочетающего модифицированный метод быстрого случайного дерева (RRT*) с глубокой нейронной сетью (DNN) для предсказания эвристик и коррекции траектории в реальном времени. Алгоритм дополнен системой семантического анализа сцены на основе сверточной нейронной сети (CNN), которая классифицирует типы препятствий (статичные твердые тела, деформируемые объекты, зоны с регулируемым допуском) для оптимизации обходных маневров. Это позволяет назначать различные штрафные коэффициенты в функции стоимости пути в зависимости от категории препятствия, что способствует поиску более рациональных и безопасных маршрутов.
Практическая значимость подтверждена результатами имитационного моделирования в среде ROS и Gazebo для манипулятора UR5. В сравнении с базовым RRT* предложенный гибридный алгоритм показал сокращение среднего времени планирования на 42%, уменьшение длины итоговой траектории на 18% и увеличение успешности поиска безколлизионного пути в сложных сценариях до 98,5%. Разработанный подход обеспечивает эффективное планирование в пространствах с высокой степенью заполнения и закладывает основу для создания адаптивных робототехнических комплексов для сборки, сварки и логистики.
Библиографические ссылки
1. Elbanhawi M., Simic M. Sampling-based robot motion planning: A review. IEEE Access. 2014;2:56–77.
2. Karaman S., Frazzoli E. Optimal kinodynamic motion planning using incremental sampling-based methods. Proceedings of the IEEE Conference on Decision and Control. 2010:7681–7687.
3. Kuffner J. J., LaValle S. M. RRT-connect: An efficient approach to single-query path planning. Proceedings of the IEEE International Conference on Robotics and Automation. 2000:995–1001.
4. Gammell J. D., Srinivasa S. S., Barfoot T. D. Informed RRT*: Optimal sampling-based path planning focused via direct sampling of an admissible ellipsoidal heuristic. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2014:2997–3004.
5. Chamzas C., Shrivastava A., Kavraki L. E. Using local experiences for global motion planning. Proceedings of the IEEE International Conference on Robotics and Automation. 2019:8606–8612.
6. Ichter B., Schmerling E., Lee T.-W. E., Faust A. Learned critical probabilistic roadmaps for robotic motion planning. Proceedings of the IEEE International Conference on Robotics and Automation. 2020:9535–9541.
7. Li Y., Wu J., Chen X., Lu J. Path planning for robotic manipulators using deep reinforcement learning. IEEE Access. 2021;9:7632–7641.
8. Qureshi A. H., Simeonov A., Bency M. J., Yip M. C. Motion planning networks. Proceedings of the IEEE International Conference on Robotics and Automation. 2019:2118–2124.
9. Chiang H.-T. L., Faust A., Fiser M., Francis A. Learning navigation behaviors end-to-end with AutoRL. IEEE Robotics and Automation Letters. 2019;4(2):2007–2014.
10. Chen Y., Zhou B., Yang Y., Lu W., Li H. Semantic-aware motion planning for robot manipulation in crowded environments. IEEE Transactions on Industrial Informatics. 2022;18(5):2986–2995.
11. Shmal’ko E. Yu., Petrov A. A., Ivanov D. S. Identifikatsiya neyrosetevoy modeli robota dlya resheniya zadachi optimal’nogo upravleniya [Identification of a neural network model of a robot for optimal control]. Informatika i avtomatizatsiya. 2021;20(6):1234–1278. (In Russian).
12. Zhang F., Leitão J., Stolt A., Linderoth M., Robertsson A., Johansson R. Geometric reinforcement learning for path planning of UAVs. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2020:5638–5645.
13. Janson L., Schmerling E., Pavone M. Monte Carlo motion planning for robot trajectory optimization under uncertainty. International Journal of Robotics Research. 2018;37(13–14):1719–1753.
14. Xie L., Wang S., Rosa S., Markham A., Trigoni N. Learning with training wheels: Speeding up training with a simple controller for deep reinforcement learning. Proceedings of the IEEE International Conference on Robotics and Automation. 2018:6276–6283.
15. Everett M., Chen Y. F., How J. P. Motion planning among dynamic, decision-making agents with deep reinforcement learning. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2018:3052–3059.
16. Wang C., Wang J., Zhang X., Zhang Y. Autonomous vehicle path planning based on deep reinforcement learning. IEEE Transactions on Intelligent Transportation Systems. 2022;23(7):7945–7957.
17. Aljalbout E., Chen J., Ritt K., Ulbrich S., Lienkamp M. Learning to drive from a world on rails. Proceedings of the IEEE/RSJ International Conference on Intelligent Robots and Systems. 2021:3492–3499.
18. Li S., Zhang Y., Li H., Han L. A survey of deep learning for robot motion planning. IEEE/CAA Journal of Automatica Sinica. 2021;8(2):303–324.
19. Ganesan S., Natarajan S. K., Thondiyath A. G-RRT: Goal-biased sampling-based RRT algorithm for mobile robot navigation with improved convergence rate. Proceedings of Advances in Robotics. 2021:1–6.
20. Jiang L., Liu S., Cui Y., Jiang H. Trajectory planning of robotic manipulators in a complex obstacle environment based on improved RRT algorithm. IEEE/ASME Transactions on Mechatronics. 2022;27(6):4774–4785.
