Stochastic model predictive control for autonomous wheelchair using pedestrian trajectory uncertainty modeling

Along with the increasing demand for autonomous systems in healthcare and transportation, we are currently witnessing a growing need for assistive technologies capable of safe navigation in structured, human-populated environments such as hospitals and airports. This thesis addresses the challenge of uncertainty-aware local path planning and collision avoidance in autonomous wheelchair navigation by developing a predictive, computationally efficient framework. In order to do so, first a physics-based stochastic kinematic model for single human motion trajectory prediction is proposed, which is tuned using a custom pedestrian trajectory dataset derived from labeled LiDAR data. This model enables reliable uncertainty quantification in pedestrian trajectory prediction over a 3-second horizon. The uncertainty quantification is then integrated into a Chance-Constrained Model Predictive Control (CC-MPC) framework for real-time, uncertainty-aware collision avoidance. The CC-MPC framework allows the wheelchair to navigate safely even in complex environment with pedestrians moving at speeds approximately twice the wheelchair's velocity. Experimental results, validated through simulations using real pedestrian trajectories, demonstrate the model’s effectiveness in maintaining safe navigation under conditions where maximum allowed collision risk is up to 45\%. This research provides a viable approach for safe and adaptive autonomous wheelchair navigation in environments where dynamic human movement is a key factor, offering contributions to the development of assistive robotics.

Con l'aumento della richiesta di sistemi autonomi nei settori della sanità e dei trasporti, emerge la necessità di tecnologie assistive capaci di navigare in modo sicuro in ambienti strutturati e popolati, come ospedali e aeroporti. Questa tesi affronta il problema della pianificazione di traiettorie dell'evitamento delle collisioni in condizioni di incertezza, applicata alla navigazione autonoma di sedie a rotelle, sviluppando un framework predittivo efficiente dal punto di vista computazionale. In primo luogo, questa tesi affronta lo studio di un modello cinematico stocastico basato sulla fisica per la previsione della traiettoria di movimento di singoli pedoni, calibrato utilizzando un dataset ad hoc di traiettorie pedonali derivato da dati LiDAR. Questo modello consente una quantificazione affidabile dell'incertezza nella previsione della traiettoria pedonale su un orizzonte temporale di 3 secondi. La quantificazione dell'incertezza viene poi integrata in un un algoritmo di Chance-Constrained Model Predictive Control (CC-MPC) definito ad hoc per l'evitamento delle collisioni in tempo reale, qui si tiene esplicitamente conto delle incertezze nel modo dei pedoni. Il framework CC-MPC permette alla sedia a rotelle di navigare in sicurezza anche nel caso interazioni complesse con pedoni che si muovono a velocità circa doppia rispetto a quella della sedia a rotelle. I risultati sperimentali, validati attraverso simulazioni utilizzando traiettorie pedonali reali, dimostrano l'efficacia del sistema di controllo nel mantenere una navigazione sicura in condizioni in cui il rischio massimo di collisione consentito è fino al 45\%. Questa ricerca fornisce un approccio pratico per la navigazione autonoma sicura e adattiva di sedie a rotelle in ambienti in cui il movimento dinamico umano è un fattore chiave, contribuendo allo sviluppo della robotica assistiva.