O planejamento de movimento é um dos problemas fundamentais em navegação autônoma para robôs móveis. Uma vez planejado o caminho, o robô executa o acompanhamento da trajetória, frequentemente, com o auxílio de um controlador em malha fechada. Este controlador tem o objetivo de minimizar os erros de acompanhamento, a fim de que a trajetória executada se aproxime da trajetória planejada. Entretanto a maioria dos planejadores de movimento não levam em consideração o modelo dinâmico do robô, dificultando assim o trabalho do controlador que executa o acompanhamento da trajetória. Incluindo as restrições cinemáticas e dinâmicas do modelo do robô, o custo computacional durante a fase de planejamento de trajetória será mais alto. Isto ocorre pois são necessárias mais variáveis para representar o espaço de estados do robô. No entanto ao levar em consideração tais restrições durante a fase de planejamento, as trajetórias geradas serão factíveis de serem acompanhadas. Os planejadores probabilísticos de movimento podem ser usados para minimizar o impacto do alto custo computacional, devido ao aumento de variáveis que representam o espaço de estados. Tais planejadores também são chamados de planejadores de movimento baseados em amostragem. A busca por um caminho livre de colisões entre dois estados é feito de maneira aleatória. Caso exista uma solução, a probabilidade do algoritmo encontrá-la tende para 1 quanto do tempo de busca tende a infinito, isto é, quanto mais tempo o algoritmo possui para realizar a busca será mais provável que ele encontre a solução. Neste trabalho é proposto um planejador de movimentos baseado em amostragem que leva em consideração os aspectos cinemáticos e dinâmicos do robô. Além disto esta abordagem de planejamento desenvolvida permite conhecer e levar em consideração os efeitos do controlador que faz o acompanhamento da trajetória, ainda na fase de planejamento de movimento. As trajetórias planejadas foram executadas no robô Pioneer 3AT. Foram levantados os dados relacionados ao desempenho do algoritmo em termos de custo computacional. E na sequência são apresentados os resultados experimentais tanto na parte de planejamento de trajetórias quanto na fase de acompanhamento. / Motion planning is one of the fundamental problems in autonomous navigation for mobile robots. Once the path is planned, the robot performs the trajectory tracking, often with the aid of a closed loop controller. This controller is designed to minimize tracking errors, in order that tracked trajectory get closer to planned path. However, the most motion planners do not take into account the dynamic model of the robot, thus hindering the work of closed loop controller. When including the kinematic constraints and dynamic model of the robot, the computational cost during the planning phase trajectory will be increased. This is because more variables are needed to represent the state space of the robot. But when taking into account these constraints during the planning phase, the trajectories generated are feasible to be followed. The probabilistic motion planners can be used to minimize the impact of high computational cost due to the increase of variables that represent the state space. These planners are also called sampling based motion planners. The search for a collision-free path between two states is done randomly. If a solution exists, the probability of the algorithm to find it tends to one while the search time tends to infinity, that is, the longer time the algorithm has to perform the search will be more likely to find the solution. This paper proposes a sampling based motion planner that takes into account the kinematic and dynamic aspects of the robot. Furthermore this approach allows one to know and take into account the effects of the controller that perform the trajectory tracking, still in the motion planning phase. The planned trajectories were performed on the robot Pioneer 3AT. Data related to the computational cost of the algorithm were analyzed. Following the experimental results are presented both in the planning of trajectories and in the tracking phase.

O planejamento de movimento é um dos problemas fundamentais em navegação autônoma para robôs móveis. Uma vez planejado o caminho, o robô executa o acompanhamento da trajetória, frequentemente, com o auxílio de um controlador em malha fechada. Este controlador tem o objetivo de minimizar os erros de acompanhamento, a fim de que a trajetória executada se aproxime da trajetória planejada. Entretanto a maioria dos planejadores de movimento não levam em consideração o modelo dinâmico do robô, dificultando assim o trabalho do controlador que executa o acompanhamento da trajetória. Incluindo as restrições cinemáticas e dinâmicas do modelo do robô, o custo computacional durante a fase de planejamento de trajetória será mais alto. Isto ocorre pois são necessárias mais variáveis para representar o espaço de estados do robô. No entanto ao levar em consideração tais restrições durante a fase de planejamento, as trajetórias geradas serão factíveis de serem acompanhadas. Os planejadores probabilísticos de movimento podem ser usados para minimizar o impacto do alto custo computacional, devido ao aumento de variáveis que representam o espaço de estados. Tais planejadores também são chamados de planejadores de movimento baseados em amostragem. A busca por um caminho livre de colisões entre dois estados é feito de maneira aleatória. Caso exista uma solução, a probabilidade do algoritmo encontrá-la tende para 1 quanto do tempo de busca tende a infinito, isto é, quanto mais tempo o algoritmo possui para realizar a busca será mais provável que ele encontre a solução. Neste trabalho é proposto um planejador de movimentos baseado em amostragem que leva em consideração os aspectos cinemáticos e dinâmicos do robô. Além disto esta abordagem de planejamento desenvolvida permite conhecer e levar em consideração os efeitos do controlador que faz o acompanhamento da trajetória, ainda na fase de planejamento de movimento. As trajetórias planejadas foram executadas no robô Pioneer 3AT. Foram levantados os dados relacionados ao desempenho do algoritmo em termos de custo computacional. E na sequência são apresentados os resultados experimentais tanto na parte de planejamento de trajetórias quanto na fase de acompanhamento. / Motion planning is one of the fundamental problems in autonomous navigation for mobile robots. Once the path is planned, the robot performs the trajectory tracking, often with the aid of a closed loop controller. This controller is designed to minimize tracking errors, in order that tracked trajectory get closer to planned path. However, the most motion planners do not take into account the dynamic model of the robot, thus hindering the work of closed loop controller. When including the kinematic constraints and dynamic model of the robot, the computational cost during the planning phase trajectory will be increased. This is because more variables are needed to represent the state space of the robot. But when taking into account these constraints during the planning phase, the trajectories generated are feasible to be followed. The probabilistic motion planners can be used to minimize the impact of high computational cost due to the increase of variables that represent the state space. These planners are also called sampling based motion planners. The search for a collision-free path between two states is done randomly. If a solution exists, the probability of the algorithm to find it tends to one while the search time tends to infinity, that is, the longer time the algorithm has to perform the search will be more likely to find the solution. This paper proposes a sampling based motion planner that takes into account the kinematic and dynamic aspects of the robot. Furthermore this approach allows one to know and take into account the effects of the controller that perform the trajectory tracking, still in the motion planning phase. The planned trajectories were performed on the robot Pioneer 3AT. Data related to the computational cost of the algorithm were analyzed. Following the experimental results are presented both in the planning of trajectories and in the tracking phase.