Уникнення перешкод є фундаментальною здатністю автономних мобільних роботів, що забезпечує безпечну навігацію у динамічних та неструктурованих середовищах. У цій роботі запропоновано новий підхід до уникнення перешкод у режимі реального часу на основі методу штучних потенціальних полів (Artificial Potential Field Method, APFM), який використовує функцію гіперболічного секанса. Розроблено та проаналізовано математичну модель запропонованого методу. Для перевірки ефективності підходу реалізовано віртуальне середовище на основі ROS 2, симулятора Gazebo та платформи TurtleBot3 Burger. Здійснено моделювання, у межах якого побудовано графіки вибірок даних із LiDAR сенсора разом із відповідними модулями відштовхувального, притzгувального та загального потенційних полів, що підтвердило правильність і дієвість запропонованого підходу. Додатково візуалізація в RViz продемонструвала плавність траєкторії руху робота та безперервні коригування курсу протягом 28 навігаційних кроків. Для оцінювання обчислювальної ефективності виміряно час виконання обчислень функцій Гауса та гіперболічного секанса за допомогою реалізацій на C++ із різними параметрами оптимізації компілятора. Результати показали, що обчислювальний час гіперболічного секанса приблизно на 2–3 % нижчий порівняно з функцією Гауса, що на практиці є незначною різницею на рівні похибки вимірювань. Отримані результати підтверджують доцільність використання APFM на основі гіперболічного секанса для уникнення перешкод у режимі реального часу в робототехнічних системах. Функція гіперболічного секанса має стрімкіший спад поблизу нуля порівняно із функцією Гауса, що забезпечує сильніші миттєві відштовхувальні сили під час наближення робота до перешкоди та швидке зменшення впливу на великих відстанях. Така властивість підвищує чутливість системи та локальне уникнення перешкод без створення надмірних довгострокових ефектів, які могли б спотворити глобальну траєкторію. Крім того, симетричність і важкі “хвости” розподілу гіперболічного секанса сприяють збереженню плавності потенціального поля, забезпечуючи стабільний та передбачуваний рух робота, а також швидше й ефективніше коригування траєкторії в динамічних умовах.
[1] Berizka I. (2024). Path planning and obstacle avoidance methods for autonomous mobile robots, ISSN 2224-087X. Electronics and information technologies, Issue 28, 123–142, https://doi.org/10.30970/eli.28.11 .
[2] Katona, K.; Neamah, H. A.; Korondi, P. (2024). Obstacle Avoidance and Path Planning Methods for Autonomous Navigation of Mobile Robot. Sensors, 24, 3573. https://doi.org/10.3390/s24113573
[3] Debnath, D., Vanegas, F., Sandino, J., Hawary, A. F., & Gonzalez, F. (2024). A Re-view of UAV Path-Planning Algorithms and Obstacle Avoidance Methods for Re-mote Sensing Applications. Remote Sensing, 16(21), 4019. https://doi.org/10.3390/rs16214019
[4] Hongbo Liu, Shuai Zhang, Xiaodong Yang, Overview of Path Planning Algorithms, Recent Patents on Engineering; vol. 18, issue 7. e280823220445. https://doi.org/10.2174/ 1872212118666230828150857.
[5] Khatib O. (1986). Real-Time Obstacle Avoidance for Manipulators and Mobile Robots. The International Journal of Robotics Research. 5(1):90–98. https://doi.org/10.1177/ 027836498600500106.
[6] Xiaojing Fan, Yinjing Guo, Hui Liu, Bowen Wei, Wenhong Lyu (2020 Apr). Improved Artificial Potential Field Method Applied for AUV Path Planning. Mathematical Problems in Engineering. Mathematical Problems in Engineering. [Online]. Available: https://doi.org/10.1155/2020/6523158
[7] Jang-Ho Cho, Dong-Sung Pae, Myo-Taeg Lim, Tae-Koo Kang (2018 Aug). A Real-Time Obstacle Avoidance Method for 168 Ukrainian Journal of Information Technology, 2025, vol. 7, No. 1 Autonomous Vehicles Using an Obstacle-Dependent Gaussian Potential Field. Journal of Advanced Transportation [Online]. Available: https://doi.org/10.1155/2018/5041401J .
[8] Berizka, I. and Karbovnyk, I. (2024). Mathematical model of modified real-time obstacle avoidance method based on laplace artificial potential field. Applied Problems of Computer Science, Security and Mathematics, 3 (Sep. 2024), 12–22, https://apcssm.vnu.edu. ua/ index.php/ Journalone/ article/ view/123 .
[9] Pardo-Castellote G. (2003). OMG Data-Distribution Service: architectural overview. In International Conference on Distributed Computing Systems Workshops, 200–206.
[10] William Woodall. ROS on DDS. https://design. ros2.org/articles/ros_on_dds.html , accessed April 27, 2025
[11] Yoo, T.; Choi, B. W. (2024). Interactive Path Editing and Simulation System for Motion Planning and Control of a Collaborative Robot. Electronics, 13, 2857. https://doi.org/ 10.3390/electronics13142857