A Hybrid Intelligent Navigation Framework Using a Heuristic-Guided Dynamic Window Approach and Optimized Rapidly Exploring Random Tree Star for Autonomous Mobile Robots in Complex Dynamic Environments

Resumo Técnico: Uma Estrutura de Navegação Inteligente Híbrida para Robôs Móveis Autônomos

Definição do Problema
Robôs Móveis Autônomos (AMRs) enfrentam desafios significativos ao navegar em ambientes dinâmicos complexos em tempo real. Os métodos de planejamento tradicionais frequentemente lutam contra a convergência lenta, adaptabilidade limitada a mudanças ambientais e uma incapacidade de equilibrar a otimalidade do caminho global com a desviação de obstáculos locais. Abordagens clássicas, como métodos baseados em grafos (Dijkstra, A*) e planejadores baseados em amostragem (variantes RRT), muitas vezes carecem de eficiência em espaços não lineares ou sofrem com mínimos locais e comportamento oscilatório quando combinadas com métodos reativos como Campos de Potencial Artificial (APF). Por outro lado, abordagens heurísticas e impulsionadas por IA frequentemente incorrem em altos custos computacionais ou exigem extensos dados de treinamento, tornando-as menos adequadas para aplicações em tempo real. As estratégias híbridas existentes frequentemente falham em manter um equilíbrio robusto entre segurança local e otimalidade global, particularmente em configurações dinâmicas com obstáculos móveis.

Metodologia
O artigo propõe uma estrutura de navegação inteligente híbrida que integra um planejador global aprimorado com um controlador de movimento local adaptativo. A estrutura é avaliada através de duas configurações específicas: APRRT-AW-DWA* e APRRT-DA-DWA*.

1. Planejador Global: RRT de Potencial Adaptativo (AP-RRT)**
   O planejador global estende o algoritmo RRT* padrão com três mecanismos principais:

   • Tamanho de Passo Adaptativo: O tamanho do passo de expansão é ajustado dinamicamente com base nas condições ambientais, permitindo passos maiores em regiões abertas e passos menores e mais precisos em áreas congestionadas.
   • Amostragem Guiada por Potencial: Um Campo de Potencial Artificial (APF) é integrado ao processo de amostragem, guiando o crescimento da árvore em direção ao objetivo e evitando obstáculos por meio de um vetor de direção mista calculado pela combinação da direção de amostragem aleatória com o gradiente do APF.
   • Refinamento de Caminho via Otimização de Colônia de Formigas (ACO): Para lidar com a natureza estocástica do RRT*, que pode resultar em curvas desnecessárias, o caminho global gerado é pós-processado usando ACO. Esta otimização suaviza a trajetória e reduz desvios, produzindo um caminho de referência refinado ($P_{best}$).

2. Planejadores Locais: Variantes de DWA de Peso Adaptativo
   Duas variantes da Abordagem de Janela Dinâmica (DWA) são introduzidas para lidar com a navegação local e obstáculos dinâmicos:

   • AW-DWA (DWA de Peso Adaptativo): Esta variante introduz um mecanismo de ponderação dinâmica para o termo de desvio de obstáculos ($\beta_t$). O peso se ajusta com base na distância mínima ($d_{min}$) entre a trajetória prevista e os obstáculos próximos. À medida que o robô se aproxima de um obstáculo, o peso aumenta para priorizar a segurança; em espaços abertos, o peso diminui para priorizar o progresso frontal.
   • DA-DWA (DWA de Dupla Adaptação): Esta variante estende o AW-DWA ao adaptar também o peso de direção ($\mu$). O peso de direção é ajustado com base na razão entre a distância percorrida desde o início ($L_{sn}$) e a distância restante até o objetivo ($L_{ng}$). Isso garante que o robô se alinhe mais fortemente com a direção do objetivo à medida que se aproxima do destino, equilibrando alinhamento com o objetivo, desvio de obstáculos e eficiência de movimento.

Principais Contribuições
A pesquisa identifica quatro contribuições técnicas primárias:

• A implementação de um mecanismo de tamanho de passo adaptativo dentro do processo de expansão RRT* para aumentar a eficiência da amostragem.
• Uma estratégia de expansão guiada por potencial que direciona o crescimento da árvore para a região do objetivo, reduzendo a exploração desnecessária.
• A integração da Otimização de Colônia de Formigas (ACO) para suavizar o caminho global gerado e minimizar desvios.
• O desenvolvimento de controladores DWA aprimorados (AW-DWA e DA-DWA) apresentando mecanismos de ponderação adaptativa adequados para desempenho em tempo real em ambientes dinâmicos.

Resultados
A estrutura foi avaliada através de simulações numéricas (Python) e experimentos em mundo real usando uma plataforma TurtleBot3 Burger em ambientes estáticos e dinâmicos.

• Desempenho do Planejamento Global: Em simulações de ambiente estático (Mapa 1), o AP-RRT* proposto foi comparado com planejadores de base (RRT*, Informed RRT* e Informed RRT* com ACO). Os resultados demonstraram que o AP-RRT* reduziu o comprimento médio do caminho para aproximadamente 52,41 m (com um melhor caminho de 48,94 m) e melhorou a suavidade do caminho para 3,45 rad. O resumo observa uma redução de 19% no comprimento do caminho e uma melhoria de 67% na suavidade em comparação com o RRT* padrão nestes testes estáticos. Note que a Tabela 1 apresenta resultados de mapas dinâmicos onde o AP-RRT* serve como o planejador global para todos os métodos locais, em vez de comparar o AP-RRT* diretamente contra o RRT* padrão no cenário dinâmico.
• Desempenho do Planejamento Local: Em ambientes dinâmicos, os métodos propostos foram comparados contra uma linha de base de DWA Melhorado.
  • O AW-DWA alcançou uma taxa de sucesso 20% maior (90% vs. 70%) e um desvio de caminho 35% menor em comparação com a linha de base.
  • Em relação à suavidade do caminho, o DWA Melhorado registrou um valor de 0,1174 rad/m, enquanto o AW-DWA alcançou 0,0301 rad/m. Isso representa uma melhoria de 74% na suavidade do caminho em comparação com o DWA Melhorado, indicando uma trajetória significativamente mais suave com menos mudanças abruptas.
  • O DA-DWA alcançou uma taxa de sucesso de 80%.
  • Embora a linha de base tenha gerado caminhos ligeiramente mais curtos em alguns casos, os métodos adaptativos propostos produziram trajetórias significativamente mais suaves com menos mudanças direcionais abruptas.
• Validação no Mundo Real: Experimentos no TurtleBot3 Burger confirmaram a capacidade da estrutura de rastrear caminhos planejados e ajustar velocidades suavemente na presença de obstáculos móveis, demonstrando perfis estáveis de velocidade linear e angular.

Significância e Alegações
O artigo afirma que a estrutura híbrida proposta fornece uma solução eficaz e robusta para a navegação autônoma em tempo real em ambientes dinâmicos complexos. Ao integrar mecanismos adaptativos em ambas as fases de planejamento global e local, o sistema aborda limitações comuns, como baixa qualidade de caminho, exploração ineficaz e respostas fracas a obstáculos dinâmicos. Os autores afirmam que a estrutura equilibra com sucesso a segurança da navegação, a estabilidade da trajetória e a eficiência do movimento sem sacrificar o controle. A validação em uma plataforma de robô física confirma ainda mais a aplicabilidade do método em cenários da vida real, oferecendo uma abordagem computacionalmente eficiente que melhora as estratégias de planejamento de método único.