You are on page 1of 7

DE PROBABILIDADE DE COLISAO

COM OBSTACULOS

ESTIMAC
AO
MOVEIS
AUTONOMA

PARA NAVEGAC
AO
Felipe Taha SantAna, Valdir Grassi Junior

Departamento de Engenharia Eletrica e de Computaca


o - EESC/USP
Avenida Trabalhador S
ao-carlense, 400
S
ao Carlos - SP
Emails: felipe.ana@usp.br, vgrassi@usp.br

Abstract Following a free path is an important issue in the area of autonomous mobile robotics. The
obstacles can be anything from walls and chairs in an indoor environment, or they can also be people walking
on the sidewalk and cars passing down the street. In the case of a static environment, only one calculation is
necessary, since the obstacles are standing in the environment, which differs considerably from the case of an
environment where obstacles are in constant motion. Consequently, only one calculation of the trajectory is not
enough in the latter. Our proposal is to calculate a velocity for the vehicle that minimizes the collision probability
with the obstacle, avoiding a second path planning. Therefore, just a velocity variation is enough to solve the
problem of a possible collision.
Keywords

collision probability, dynamic environments, mobile robots, autonomous navigation.

Resumo Na
area de rob
otica m
ovel aut
onoma
e importante o rob
o seguir uma trajet
oria livre de obst
aculos.
Os obst
aculos podem ser desde paredes e cadeiras em um ambiente indoor, ou tamb
em podem ser pessoas
caminhando na calcada e carros passando pela rua. No caso de um ambiente est
atico
e necess
ario apenas um
c
alculo de trajet
oria, j
a que os obst
aculos est
ao parados no ambiente, o que difere consideravelmente do caso
de um ambiente onde os obst
aculos est
ao em constante movimento. Portanto, apenas um c
alculo da trajet
oria
n
ao
e suficiente no u
ltimo caso. A fim de evitar um replanejamento de trajet
oria,
e proposto realizar um c
alculo
que estime uma velocidade que minimize a probabilidade de colis
ao do rob
o com o obst
aculo em quest
ao. Dessa
forma, apenas uma variac
ao na velocidade
e suficiente para resolver o problema de uma possvel colis
ao.
Palavras-chave

probabilidade de colis
ao, ambientes din
amicos, rob
os m
oveis, navegac
ao aut
onoma.

Introdu
c
ao

Detecc
ao e desvio de obst
aculos e essencial quando
se trata do problema de navegac
ao aut
onoma de
rob
os m
oveis. A partir da decada de 90, comecaram a surgir abordagens probabilsticas para o
problema de navegac
ao e controle de rob
os na presenca de obst
aculos m
oveis. Nestas abordagens,
s
ao consideradas incertezas na localizac
ao do robo
e na posic
ao dos obst
aculos a fim de evitar colis
oes.
Para verificar a possibilidade de colis
ao entre
rob
o e obst
aculos, Hu et al. (1991) definiram uma
area de seguranca modelada por um crculo cen
trado na posic
ao de rob
o. O raio deste crculo era
proporcional `
a velocidade, e para verificar a possibilidade de colis
ao era feito um teste de intersec
ao entre o crculo e as elipses de erro na posicao.
Por fim, baseado nessa informac
ao controlava-se
a velocidade e a direc
ao do rob
o ao longo de um
caminho pre-planejado para evitar colis
oes.
Burlina et al. (1992) tambem idealizaram um
metodo probabilstico para calcular a probabilidade de colis
ao levando em considerac
ao rudos
nas medidas dos sensores. A probabilidade de colis
ao era calculada em dois passos: um modelo
estoc
astico era definido no espaco de estados do
obst
aculo e, neste mesmo, era feita uma caracterizac
ao geometrica para a colis
ao.
Fiorini and Shiller (1993a) e Fiorini and Shiller (1993b) apresentaram um metodo de plane-

jamento de movimento em ambientes dinamicos.


Sua abordagem consistia em selecionar manobras
de evasao para evitar obstaculos estaticos e m
oveis no espaco de velocidades, baseado nas atuais
posicoes e velocidades, tanto do robo quanto do
obstaculo. As manobras de evasao eram geradas
selecionando-se as velocidades para o robo que estavam foram de um intervalo das velocidades do
obstaculo, que representava um conjunto de velocidades para o robo que resultaria em uma futura
colisao. Para assegurar que a manobra de evasao fosse factvel, fazia-se uma interseccao entre
o conjunto de velocidades de evasao e o conjunto
de velocidades admissveis, definida pelas restricoes de aceleracao. Por fim, a trajetoria otima era
calculada por uma arvore de busca das manobras
factveis. Outros trabalhos vieram por seguinte
utilizando metodos parecidos com os ja discutidos
para estimacao de probabilidade de colisao com
obstaculos moveis em robotica, como em (Kruse
et al., 1996), (Chakravarthy and Ghose, 1998) e
(Shiller et al., 2001).
Outros trabalhos tambem abordaram o problema no espaco de velocidades, como em (Owen
and Montano, 2005). O enfoque do metodo era
voltado para o planejamento de movimento do
robo em ambiente dinamicos, evitando obstaculos moveis e estasticos. O trabalho consistia em
mapear o ambiente dinamico no espaco de velocidades utilizando o conceito de estimated arriving
time para calcular o tempo de uma potencial co-

2
2.1

Metodologia

Probabilidade de colis
ao de rob
o m
ovel com
um obst
aculo m
ovel

Considere a situac
ao na qual o veculo e o
obst
aculo executam trajet
orias genericas descritas pelas curvas C (v) e C (o) , cujas equac
oes parametrizadas no tempo s
ao dadas por
(v)
(v)
(v)
(v) (v)
C
: (x , y ) = (h1 (t), h2 (t)) e C (o) :
(o)
(o)
(o) (o)
(x , y ) = (h1 (t), h2 (t)). Os vetores que contem as informac
oes de posic
ao e orientac
ao do veculo e do obst
aculo,
(v)
(o)
x
x
v = y (v) , o = y (o) ,
(v)
(o)

(1)

podem ser escritos utilizando as parametrizacoes


dos pontos (x(v) , y (v) ) e (x(o) , y (o) ) nas curvas:

(o)
(v)
h1 (t)
h1 (t)

.
, o (t) = h(o)
v (t) = h(v)
2 (t)
2 (t)
(o) (t)
(v) (t)

(2)

As funcoes densidade de probabilidade


(PDFs) associadas `as informacoes de posicao e orientacao dos objetos, figura 1, sao dadas por:
pv,o (r, t) = |2v,o |1/2


1
T 1
exp [r v,o (t)] v,o [r v,o (t)] .
2
(3)

1
0.8
0.6
p

lis
ao ou evas
ao. Dessa forma, podia-se achar uma
trajet
oria
otima obedecendo tais criterios de otimizac
ao.
Existem trabalhos que utilizam metodos de
tratamento de incertezas para estimar a probabilidade de colis
ao utilizando distribuic
ao gaussiana
nas incertezas de movimento e de sensores, como
em (Patil et al., 2012) e (Fulgenzi et al., 2008).
O primeiro estima a probabilidade de colis
ao para
um planejamento de movimento baseado em distribuic
oes de probabilidade do estado do robo. A
probabilidade de colis
ao em cada est
agio do processo e condicionada ao est
agio anterior, sendo
este livre de colis
ao ou n
ao. A cada est
agio sao
geradas amostras para o veculo em quest
ao a partir de sua distribuic
ao. Caso o veculo e o obst
aculo estejam pr
oximos um ao outro, algumas
dessas amostras estar
ao em contato com o obst
aculo, e outras n
ao. A partir da raz
ao entre as
amostras que est
ao em contato com o obstaculo e
o total de amostras, e calculada a probabilidade
de colis
ao. O u
ltimo descreve um algoritmo para
navegac
ao em ambientes din
amicos, onde sao supostos padr
oes de movimento para os obstaculos,
representados por processos gaussianos. De uma
forma parecida com esses dois trabalhados citados,
(van den Berg et al., 2012) abordaram o problema
de colis
ao tratando o movimento e as informacoes
dos sensores com incertezas gaussianas.
Neste trabalho e proposto utilizar a PDF das
informac
oes do veculo e dos obst
aculos, posicao,
orientac
ao e velocidade, para definir a probabilidade de colis
ao. Este tipo de abordagem foi utilizado em (Lambert et al., 2008) para um robo e
um obst
aculo est
atico. Alem de considerar incertezas na obtenc
ao dessas informac
oes e estimar a
probabilidade de colis
ao em func
ao do tempo, o
estudo visa encontrar uma velocidade
otima para
o veculo que faca com que a probabilidade de colis
ao entre este e o obst
aculo seja significantemente
pequena a ponto de poder concluir que n
ao havera
uma colis
ao na trajet
oria executada pelo veculo.

0.4
0.2
0
10
8

10
6

8
6

2
y (m)

2
0

x (m)

Figura 1: Representaca
o das PDFs do veculo e de
um obst
aculo no plano.

A probabilidade de colisao entre o veculo e o


obstaculo em funcao do tempo, i.e., entre as duas
PDFs, e a soma de toda area correspondente `
a
interseccao entre as curvas. No caso contnuo, por
soma entende-se integral, e assim a probabilidade
de colisao pode ser interpretada matematicamente
como:
Z
P (t) =

pv (r, t) po (r, t) dr ,

(4)

que se resume a
P (t) = |2(v + o )|1/2


(5)
1
T
1
exp (t) (v + o ) (t) ,
2
onde
(t) = v (t) o (t) =

(o)
(v)
h1 (t) h1 (t)
h1 (t)

(v)
= h2 (t) .
h2 (t) h(o)
2 (t)
(v)
(o)
(t)
(t) (t)
2.2

(6)

C
alculo de velocidade de translac
ao para que
veculo evite colis
ao

A fim de se fazer um estudo sobre possveis velocidades de translacao adequadas para que o rob
o

m
ovel navegue evitando colis
oes, escreve-se a func
ao probabilidade de colis
ao tambem em funcao
das velocidades do rob
o e obst
aculo,

limiar de seguranca e cuja diferenca absoluta em


(v)
relacao `a velocidade inicial, i.e. |v0 v |, tenha
o menor valor possvel. Sumarizando o problema:

P (t) P (t, v) .

minv |v0 v| condicionado `a Pmax (v) .

(7)

Dessa forma, a equac


ao (5) deve ser reescrita
como:


1
T 1
P (t, v) = K exp (t, v) (t, v) ,
2
(8)
com
K |2(v + o )|1/2 ,
(9)
(v + o ) ,

(10)

h1 (t, v)
(t, v) = v (t, v) o (t, v) = h2 (t, v) .
(t, v)
(11)
A partir desta func
ao de probabilidade,
deseja-se encontrar uma velocidade para o veculo
dentro do limite de seguranca, ou seja, cuja P (t)
tenha um m
aximo menor que um valor estabelecido, de forma, que colis
oes possam ser evitadas.
Os valores m
aximos de P (t, v) em funcao do
tempo podem ser encontrados analisando:
P (t, v)
=0.
t

(12)

Portanto, derivando P (t, v) no tempo obtemse:


1
P (t, v)
= P (t, v)
t
2


T 1

+ T 1
=0.
t
t
(13)
Para (13) ser zero, basta que o termo entre
parenteses seja zero:
T 1

+ T 1
=0.
t
t

(14)

A equacao (14) resultar


a em uma funcao t(v),
e, utilizando-a para reescrever a equac
ao (8), esta
ficar
a expressa apenas em func
ao da velocidade:


1
T 1
Pmax (v) = K exp (v) (v) .
2
(15)
Agora o problema se resume em encontrar
uma velocidade v para o veculo cuja probabilidade associada em relac
ao ao tempo tenha um
valor m
aximo igual ou menor que um determinado
valor, digamos um limiar de seguranca, conotado
possvel perceber que existem solucoes
por . E
indesej
aveis para o problema, e.g., v = 0.
Considerando que o rob
o possui uma veloci(v)
dade inicial, v0 , ao detectar o obst
aculo, limitase `
a busca da velocidade v que esteja dentro do

(v)

Um problema de maximizacao com uma restricao de desigualdade do tipo:


maxx f (x) condicionado `a g(x) c
pode ser resolvido atraves das condicoes de
Karush-Kuhn-Tucker (KKT), que sao formuladas
como

x L(x ) = 0

(g(x ) c) = 0
,
(16)


g(x ) c
onde
L(x) = f (x) (g(x) c) ,

(17)

sendo que e chamado de multiplicador de KKT.


Porem e perceptvel uma diferenca basica entre o problema que existe na abordagem apresentada e o problema resolvvel pelas condicoes
de KKT: o metodo requer uma minimizacao enquanto as condicoes de KKT visam encontrar um
valor otimo de x que maximiza a funcao em questao sob as restricoes. Isso pode ser facilmente
resolvido por uma mudanca de sinal: minimizar
uma funcao f (x) e equivalente a maximizar a funcao f (x). Outra complicacao e trabalhar com a
funcao modulo, pois esta nao e diferenciavel em
todo <. Como o valor de qualquer funcao puramente quadratica e sempre positivo, ha a igualdade:
|a x|2 = (a x)2 x < .
(18)
A partir deste ponto, o ndice (v) , que faz referencia ao veculo, torna-se desnecessario uma vez
que a abordagem leva em consideracao apenas o
controle sobre a velocidade do veculo. Portanto,
fazendo a substituicao |v0 v| (v0 v)2 , o
problema original se transforma em:
maxv (v0 v)2 condicionado `a Pmax (v) .
Utilizando-se do metodo de KKT para resolver o problema: o lagrangeano do sistema e
L(v) = (v0 v)2 (Pmax (v) ),

(19)

e sua diferenciacao com respeito `a velocidade,


0
L0 (v) = 2(v0 v) Pmax
(v) .

(20)

Com isso, conclui-se que as condicoes (16) ficam:

0
2(v0 v ) Pmax
(v ) = 0

(P

max (v ) ) = 0

Pmax (v )

(21)

Nas condic
oes (21) existe um sistema de duas
equac
oes:

3
3.1

0
2(v0 v ) Pmax
(v ) = 0

(22a)

(Pmax (v ) ) = 0 ,

(22b)

e duas condic
oes:
0
Pmax (v ) .

(23a)
(23b)

Isolando em (22a) e substituindo em (22b), esta


fica expressa da seguinte maneira:
2(v0 v )
(Pmax (v ) ) = 0 ,
0
Pmax
(v )

(24)

Aplica
c
ao do m
etodo

Evitar colis
ao com um obst
aculo m
ovel executando uma trajet
oria retilnea uniforme

Considerando que o veculo e o obstaculo executam trajetorias retilneas uniformes, os vetores


configuracoes = (x y )T dos objetos em funcao do tempo podem ser escritos como

(v),(o)
x0
+ tv (v),(o) cos((v),(o) )

v,o (t) = y0(v),(o) + tv (v),(o) sin((v),(o) ) .


(v),(o)
(27)
Com essas trajetorias, a funcao probabilidade
de colisao possui o seguinte formato
1

P (t, v) = Ke 2 f (t,v) ,

que e a equac
ao cuja soluc
ao resultar
a na velocidade
otima. Duas soluc
oes podem ser facilmente
percebidas: v = v0 ou Pmax (v ) = . Como
e sabido, possivelmente haver
a uma colis
ao se o
veculo continuar a trafegar com a sua velocidade inicial, portanto pode-se descartar a primeira
soluc
ao. Dito isso, a soluc
ao a se considerar e
Pmax (v ) = , encontrando-se a velocidade otima
v para o problema.

(28)

com
f (t, v) = At2 v 2 +Bt2 v+Ctv+Dt2 +Et+F . (29)
Da mesma maneira, a equacao (15) possui o
seguinte formato
1

Pmax (v) = Ke 2 f (v) ,

(30)

com
2.3

Expans
ao do estudo: evitar colis
ao com n
obst
aculos m
oveis

Suponha um cen
ario onde existam n obstaculos
detectados e seja a probabilidade de colis
ao com
o i-esimo obst
aculo Pi . A probabilidade de nao
haver uma colis
ao e o complemento da probabilidade de colis
ao, 1 Pi . Portanto, a probabilidade
de n
ao-colis
ao com os obst
aculos i = 1, 2, ..., n e
(1 P1 ).(1 P2 )...(1 Pn ). O complemento do u
ltimo expressa a probabilidade de colis
ao com pelo
menos um obst
aculo:
P

(n)

=1

n
Y

(1 Pi ) ,

(25)

f (v) =

(Cv + E)2
1
+F .
4 (Av 2 + Bv + D)

(31)

Para encontrar a velocidade otima, deve-se resolver P (v ) = , resultando em


(2CE B)
2(C 2 A)
s
2
 2

1
2CE B
E D

4
,
2
C 2 A
C 2 A
(32)
onde

  
2
+F .
(33)
4 ln
K
v =

i=1

que e a probabilidade de colis


ao a ser analisada
para este problema.
Da mesma maneira abordada para um obstaculo, o problema se resume em calcular uma velocidade
otima dentro do limiar de seguranca e cuja
diferenca com a velocidade inicial do veculo seja
a menor possvel:
2

maxv (v0 v) condicionado `


a

(n)
Pmax (v)

Utilizando-se do metodo de KKT para resolver o problema, a velocidade


otima e encontrada
resolvendo-se a equac
ao
(n)
Pmax
(v )

=1

n
Y

(1 Pi (v )) = .

i=1

(26)

3.2

Evitar colis
ao com n obst
aculos m
oveis executando trajet
orias retilneas uniformes

Considere o cenario com n obstaculos. Abrindo a


equacao (25) e possvel observar seu formato,
X
X
P (n) =
Pi
Pi1 Pi2 + ...
i

+ (1)n1

i1 6=i2

(34)
Pi1 Pi2 ...Pin .

i1 6=i2 6=...6=in

Nota-se que o primeiro termo predomina sobre os


demais, ja que Pi  1. Portanto, e conveniente
escreve-la considerando somente o primeiro termo;
e isso torna-se evidente quando se pensa na ocorrencia exclusiva de cada colisao, i.e., a probabilidade do veculo colidir com o primeiro obstaculo,

ou com o segundo obst


aculo, e assim sucessivamente ate o n-esimo obst
aculo:
n
X
P (n) =
Pi .
(35)

2. Toma-se o menor valor entre os maximos, i.e,


o menor valor da matriz (38), cuja velocidade
sera considerada otima para o problema. Portanto, a velocidade otima e:

i=1

Todo o formalismo utilizado para um obstaculo serve para a expans


ao em quest
ao.

P1 (v1 )
P1 (v2 )

= .
..

Mcol

P1 (vn )

P2 (v1 )
P2 (v2 )
..
.
P2 (vn )

..
.

Pn (v1 )
Pn (v2 )

.. . (37)
.

Pn (vn )

Simula
c
oes e Resultados

Sendo o raio de alcance do sensor dado por rs e


a distancia entre o veculo e o obstaculo expressa
por d, o metodo desenvolvido para um obstaculo
e aplicado em forma do algoritmo:
if d rs then
ro = (o , o ) | rv = (v , v )
P (t, v) P (v)
v = sol{P (v) = }
v = v
else v = v0
Para n obstaculos, o metodo foi aplicado na
forma do algoritmo:
if d rs then
(i)
(i)
(i)
ro = (o , o ) i = 1, ..., n | rv = (v , v )
Pi (t, v) Pi (v)
vi = sol{Pi (v) = }
v = arg min{max{Pi (vj )}}
i

v = v
else v = v0 .

A figura 2 ilustra uma sequencia de quadros


no ambiente de simulacao contendo, alem do veculo, tres potenciais obstaculos, (a). Os obst
aculos sao detectados pelo sensor do veculo assim
que entram em seu raio de alcance, (b). Apos a
deteccao dos obstaculos o veculo executa o algoritmo, calculando a velocidade otima e alterando
sua velocidade para esta, (c), evitando a colisao,
(d).
30

30

25

25

20

20

y (m)

Ao inves de considerar a probabilidade de colisao


com ao menos um obst
aculo, cuja expressao depende de todas as probabilidades independentes
juntas, utiliza-se o estudo individual de cada uma,
como feito para um obst
aculo. Em um ambiente
onde o veculo esteja detectando n obst
aculos, a
probabilidade de colis
ao em func
ao da velocidade
com cada um e Pi .
Resolvendo-se o problema de minimizacao
para encontrar a velocidade
otima de cada uma do
mesmo modo que foi resolvido na primeira secao
do captulo, utilizando-se das condic
oes de KKT e
chegando na equac
ao (24), tem-se as velocidades
otimas referentes a cada obst

aculo i, vi .
O pr
oximo passo consiste em estudar a probabilidade de colis
ao com cada obst
aculo com cada
velocidade
otima calculada, Pi (vj ) com i 6= j.
Para isso pode-se organizar os valores em uma matriz para facilitar a observac
ao:

y (m)

Abordagem alternativa: probabilidades independentes

(39)

(n)
Pmax
(v) = K1 e 2 f1 (v) + ... + Kn e 2 fn (v) = .
(36)
Existe uma dificuldade consider
avel em calcular as razes de (36) devido `
a express
ao de f (v):
uma divis
ao entre polin
omios de segundo grau.
Frente essa dificuldade e proposto utilizar uma
abordagem alternativa, descrita a seguir.

3.3

v = arg min{max{Pi (vj )}} .

15

10

10

15
x (m)

20

25

30

10

15
x (m)

20

25

30

(a) Ambiente con- (b) Os obst


aculos s
ao
tendo o veculo e tres detectados pelo sensor
potenciais obst
aculos. do veculo.
30

30

25

25

20

20

y (m)

1. Identifica-se os valores m
aximos para cada
(max)
velocidade
otima vj , Pi
(vj ), que sao os
maiores valores de cada linha da matriz (37),
(max)

(v1 )
Pi
(max)
(v2 )
Pj
(max)
,
Mcol
=
(38)
..

.
(max)
Pk
(vn )

10

y (m)

Agora o problema se resume em buscar uma


velocidade entre todas calculadas que seja a melhor a respeito de ter valores seguros para as probabilidades associadas. Uma forma eficiente de
tratar o problema e encontrar possveis valores altos de Pi (vj ) e descart
a-los . Isso pode ser feito
da seguinte maneira:

15

15

10

10

15

10

15
x (m)

20

25

30

(c) O veculo entra na


velocidade
otima.

10

15
x (m)

20

25

30

(d) A colis
ao foi evitada.

Figura 2: Sequencia de quadros no ambiente de simulac


ao.

A velocidade
otima encontrada para um limiar de 105 N foi suficiente para que o veculo
e os obst
aculos n
ao oferecessem perigo m
utuo algum. Os algoritmos foram executados vinte vezes,
e seus tempos medios de execuc
ao est
ao expressos
na figura 3. A partir do gr
afico e possvel observar
a dependencia linear do tempo de execuc
ao com o
valor de n: t(n) = 0.029 n 0.0016.

t = 0.029*n 0.0016

0.12

t (s)

0.1
0.08
0.06
0.04
0.02
0

0.5

1.5

2.5

3.5

4.5

5.5

Figura 3: Gr
afico do tempo de execuca
o dos algoritmos por n.

Fiorini, P. and Shiller, Z. (1993a). Motion planning in dynamic environments using the relative velocity paradigm, IEEE International Conference on Robotics and Automation
pp. 560565.
Fiorini, P. and Shiller, Z. (1993b). Motion planning in dynamic environments using velocity
obstacles.

0.16
0.14

collision cone approach, IEEE Transactions


on systems, man, and cybernetics - part A:
Systems and humans pp. 562574.

Conclus
oes

O estudo abordou o problema de haver obstaculos


m
oveis na trajet
oria que o rob
o est
a executando
para navegac
ao aut
onoma. A partir de informac
oes coletadas pelos sensores do rob
o, um modelo
de incertezas e adicionado a fim de tratar rudos
presentes. A partir desse modelo, nesse trabalho
foi utilizado um modelo gaussiano, e possvel calcular a probabilidade de colis
ao entre o veculo e o
obst
aculo em func
ao do tempo e da velocidade do
rob
o. Dessa forma, sabendo que e prov
avel haver
uma colis
ao na rota que o rob
o executa, torna-se
conveniente variar sua velocidade a fim de evitar
a colis
ao e o replanejamento da trajet
oria. Para
isso utiliza-se metodos de otimizac
ao, nesse caso
e tratado um problema de minimizac
ao com uma
restric
ao de desigualdade que p
ode ser resolvido
atraves das condic
oes de Karush-Kuhn-Tucker.
O metodo desenvolvivo para um obst
aculo foi
expandido para n obst
aculos. Dito isso, a abordagem de probabilidades independentes se mostrou
extremamente bem sucedida: tempo de execucao
muito pequeno e eficiencia para evitar colisoes.
Agradecimentos
Este trabalho recebeu suporte do CNPq.
Refer
encias
Burlina, P., DeMenthon, D. and Davis, L. (1992).
Navigation with uncertainty: reaching a goal
in a high collision risk regions, IEEE International Conference on Robotics and AUtomation 3: 24402445.
Chakravarthy, A. and Ghose, D. (1998). Obstacle avoidance in a dynamic environment: A

Fulgenzi, C., Tay, C., Spalanzani, A. and Laugier,


C. (2008). Probabilistic navigation in dynamic environment using rapidly-exploring random trees and gaussian processes, IEEE/RSJ
International Conference on Intelligent Robots and Systems pp. 10561062.
Hu, H., Brady, M. and Probert, P. (1991). Navigation and control of a mobile robot among moving obstacles, Proceedings of the 30th IEEE
Conference on Decision and Control pp. 698
703.
Kruse, E., Gutsche, R. and Wahl, F. M. (1996).
Estimation of collision probabilities in dynamic environments for path planning with minimum collision probability, IEEE/RSJ International Conference on Intelligent Robots
and Systems pp. 1288 1295.
Lambert, A., Gruyer, D. and Pierre, G. S. (2008).
A fast monte carlo algorithm for collision
probability estimation, Control, Automation,
Robotics and Vision, 2008. ICARCV 2008.
10th International Conference on pp. 406
411.
Owen, E. and Montano, L. (2005). Motion planning in dynamic environments using the velocity space, IEEE/RSJ International Conference on Intelligent Robots and Systems
pp. 2833 2838.
Patil, S., van den Berg, J. and Alterovitz, R.
(2012). Estimating probability of collision
for safe motion planning under gaussian motion and sensing uncertainty, IEEE International Conference on Robotics and Automation
3: 32383244.
Shiller, Z., Large, F. and Sekhavat, S. (2001).
Motion planning in dynamic environments:
Obstacles moving along arbitrary trajectories, IEEE International Conference on Robotics and Automation pp. 37163721.
van den Berg, J., Wilkie, D., Guy, S., Niethammer, M. and Manocha, D. (2012). Lqgobstacles: Feedback control with collision
avoidance for mobile robots with motion and

sensing uncertainty, Proceedings of the IEEE


International Conference on Robotics and
Automation pp. 346353.