One of the main focus of robotics is to integraterobotic tasks and motion planning, which has an increasedsignificance due to their growing number of application fieldsin transportation, navigation, warehouse management and muchmore. A crucial step towards this direction is to have robotsautomatically plan its trajectory to accomplish the given task.In this project a multi-layered approach was implemented toaccomplish it. Our framework consists of a discrete high-levelplanning layer that is designed for planning, and a continuouslow-level search layer that uses a sampling-based method for thetrajectory searching. The layers will interact with each otherduring the search for a solution. In order to coordinate formulti-agent system, velocity tuning is used to avoid collisions, anddifferent priority are assigned to each robot to avoid deadlocks.As a result, the framework trades off completeness for efficiency.The main aim of this project is to study and learn about high-level motion planning and multi-agent system, as an introductionto robotics and computer science. / En viktig aspekt inom robotik är att integrera robotuppgifter med rörelseplanering, som har en ökande be- tydelse för samhället på grund av dess applikationsområde inom t.ex. transport, navigering och lagerhantering. Ett avgörande steg till detta är att få robotarna automatiskt planerar sin bana för att utföra de givna uppgifterna. I detta projekt implementerades “Multi-layered” metod för att uppnå detta. Metoden består av ett hög-nivå diskret planeringslager som är designad för planering, och ett kontinuerligt låg-nivå sökningslager som använder ”sampling-based” algoritmer för sökning av bana. Lagerna interageras med varandra under den tiden där metoden söker efter en önskvärd bana som satisfiera uppdraget. För att koordinera samtliga robotar används den frikopplat approachen där hastigheter för olika robotar justeras till att undvika kollisioner, samt olika prioriteringar tilldelas för varje robot för att undvika ett blockerat låsläge. ”Sampling-based” algoritmer och den frikopplat approachen är oftast mer effektivt tidsmässigt men garantera inte att lösning kommer att hittas även om den existerar. Syftet med detta projekt är att studera och lära sig om rörelseplanering på högt-nivå och multi-agentsystem, som en introduktion till robotik och datavetenskap. / Kandidatexjobb i elektroteknik 2020, KTH, Stockholm

Under senare år har vi med hjälp av robotar som använder rörelseplanering kunnat automatisera olika processer och uppgifter. Idag finns det väldigt få strategier för lokal rörelseplanering vid jämförelse med global rörelseplanering. Syftet med det här projektet har varit att analysera tre strategier för lokal rörelseplanering, dessa har varit Dynamic Window Approach (DWA), Elastic Band (Eband) och Timed Elastic Band (TEB).I projektet har styrkor, svagheter, beteenden och förbättringsmöjligheter för respektive strategi studerats närmare genom att utföra olika simulerade tester. I testerna mätes tid för att nå mål, antal kollisioner och antalet gånger som målet nåddes. Under projektet användes en virtuell allriktad robot från ABB för att testa strategierna. Testerna genomfördes på ett så rättvist sätt som möjligt, där alla strategier fick samma antal försök och hade samma information om robotens begränsningar.Resultatet visar att TEB är den snabbaste strategin, följt av DWA och sista Eband som var den långsammaste strategin. TEB var också den strategi som presterade bäst vid dynamiska hinder, däremot var den också den strategi som kolliderade mest i testerna, medan Eband kolliderade minst. / In recent years, we have been able to automate various processes and tasks with the help of robots that use motion planning. Today, there are very few strategies for local motion planning when compared to global motion planning. The purpose of this project has been to analyze three strategies for local motion planning, these have been Dynamic Window Approach (DWA), Elastic Band (Eband) and Timed Elastic Band (TEB).In the project, strengths, weaknesses, behaviours and opportunities for improvement for each strategy have been studied in more detail by performing various simulated tests. The tests measure time to reach the goal, the number of collisions and the number of succeeding attempts. During the project, a virtual omni-directional robot from ABB was used to perform the tests. The tests were performed in as fair a way as possible, where all strategies got the same number of attempts and had the same information about the robot's limitations.The results show that TEB is the fastest strategy, followed by DWA and last Eband that was the slowest strategy. TEB was also the strategy that performed best in dynamic obstacles, however, it was also the strategy that collided most of the tests, while Eband collided the least.

Direct Machining And Control (DMAC) is a new method of controlling machine tools directly from process planning software. A motion planning module is developed for the DMAC system that operates directly off path geometry without pre-tessellation. The motion planner is developed with the intent to process Bezier curves. The motion planning module includes a deterministic predictor-corrector-type curve interpolator, a dynamics limiting module, and a two-pass jerk-limited speed profiling algorithm. The methods are verified by machining an automotive surface in a clay medium and evaluating the resultant machine dynamics, feed rate, and chordal error throughout the machining process.