Une navigation efficace dans des environnements encombrés et dynamiques est cruciale pour l'intégration des robots dans des espaces humains. AVOCADO (AdaptiVe Optimal Collision Avoidance Driven by Opinion) génère des vitesses sans collision en utilisant des obstacles de vitesse et une adaptation à l'estimation de coopération entre agents. Cependant, il suppose un mouvement holonome et ne peut pas gérer les contraintes non-holonomes, telles que celles des robots à entraînement différentiel. Nous proposons DD-AVOCADO, une extension d'AVOCADO qui incorpore la cinématique à entraînement différentiel pour calculer des vitesses réalisables et sûres. La méthode combine la planification basée sur AVOCADO avec un contrôleur non-holonomique et tient compte des erreurs de suivi pour éviter les collisions. Les résultats de simulation dans divers scénarios montrent une réduction significative des collisions et une navigation efficace dans des scénarios avec des agents coopératifs et non coopératifs, et des expériences matérielles démontrent son applicabilité sur les plateformes robotiques. La méthode a le potentiel d'être appliquée à d'autres modèles dynamiques.
Martínez et al. (Mon,) ont étudié cette question.