This thesis focuses on the design and implementation of a modular framework for tra- jectory optimization of robotic systems in obstacle-filled environments. The proposed system combines sampling-based planning algorithm, Rapidly-exploring Random Tree variant, with a modular version of Differential Evolution. Through integration with the Irace framework, the system enables automated parameter tuning without manual inter- vention. The computational process is executed in parallel within a Kubernetes environ- ment, ensuring scalability across multi-core and cloud architectures. The work includes a library of test scenarios, an open-source Python implementation, and a web-based in- terface for trajectory visualization and analysis. Finally, a comparative study evaluates the performance of different algorithm configurations, demonstrating the robustness and general applicability of the proposed approach.

Tato diplomová práce se zabývá návrhem a implementací modulárního frameworku pro optimalizaci trajektorií robotických systémů v prostředí s překážkami. Navržený sys- tém kombinuje sampling-based plánovací algoritmus, variantu Rapidly-exploring Random Tree, s modulární verzí diferenciální evoluce. Díky integraci s frameworkem Irace umož- ňuje automatické ladění parametrů evolučních algoritmů bez potřeby manuálních zásahů. Výpočetní proces je realizován paralelně v prostředí Kubernetes, což zajišťuje škálovatel- nost na vícejádrové i cloudové architektury. Součástí práce je knihovna testovacích scén, otevřená implementace v jazyce Python a webové rozhraní pro vizualizaci a analýzu vý- sledků. Závěrem je provedena srovnávací studie výkonnosti různých konfigurací algoritmu, která ověřuje univerzálnost navrženého přístupu.

A