High-Traversability and Precise Navigation for Mobile Robots in Constrained Environments
Notice bibliographique
Résumé
This paper presents an integrated sensing-planning navigation system for mobile robots used in industrial inspection. The system can be directly integrated with real robots. It enables the robot to pass through tight spaces, circumvent unexpected obstacles, and accurately reach the goal pose. This improves the robot’s adaptability to inspection tasks. For obstacle sensing, the system includes an obstacle parameterizer. Static obstacles in global grid map occupancy clusters are convexified. To improve the representation accuracy of the tight space, continuous and angled obstacles are automatically segmented into multiple convex polygons. This avoids inappropriate convex shapes. Unexpected obstacles in local grid maps are first represented by minimum bounding circles (MBCs) to simplify data association. They are then converted into inscribed convex polygons to ensure consistency with static obstacle descriptions. For motion planning, the system utilizes a two-stage planner operating on obstacle convex sets. When the robot is distant from the goal, the nonlinear model predictive control (NMPC) is constrained by inter-convex set discrete-time control barrier functions (DCBF-Convex), termed NMPC-DCBF-Convex, enabling effective navigation in tight spaces and around unexpected obstacles. As the robot nears the goal pose, DCBF-Convex conditions prune the sampling space of dynamic window approach (DWA), termed DWA-DCBF-Convex. It ensures high-frequency control and enables safe and precise arrival at the goal in constrained environments. Experiments in constrained scenarios validate the system’s real-world effectiveness. An inspection robot weighing over 70kg completes challenging navigation tasks at a maximum velocity of 0.5m/s, achieving an empirical terminal positional error of ±0.017m.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».