机器人学 —— 轨迹规划(Introduction)

  轨迹规划属于机器人学中的上层问题,其主要目标是计划机器人从A移动到B并避开所有障碍的路线。

1、轨迹计划的对象

  轨迹规划的对象是map,机器人通过SLAM获得地map后,则可在地图中选定任意两点进行轨迹规划。暂时不考虑三维地图,以平面二维图为例,map主要有以下几种:

  机器人学 —— 轨迹规划(Introduction)_第1张图片机器人学 —— 轨迹规划(Introduction)_第2张图片

 

  如上所示,二维图可以分为有权重的节点图以及无权重的网格图。以飞行机器人移动为例:如果场地上每个部分移动所消耗的能量都是等价的,则可以使用网格图进行建模。如果在不同的区域移动所消耗的能量不同,则应该使用节点图来进行建模。

2、轨迹规划的方法

2.1、 grassfire method

  grassfire method是一种最简单的轨迹规划算法。其数据结构包括三个部分:

  1.map,记录了起点,终点,障碍物的位置

  2.distancetoStart,记录了每个探索步骤后,方格与初始点的距离

  3.parent,记录了每个节点的父节点

  算法步骤:

  1、获取map

  2、初始化distancetostart,将起点设为current, 将distance_ 设为0

  3、进入循环  如果current = destination 则跳出循环

    将distancetostart中最小值对应的节点设为current

    distance_ = distance_+1

    寻找current所有的相邻节点

    将相邻节点的distancetostart设为distance_,parent设为current

    将current的distance_设为无穷大

  4、依据parent map反求轨迹

  机器人学 —— 轨迹规划(Introduction)_第3张图片      机器人学 —— 轨迹规划(Introduction)_第4张图片

  显然,这种grassfire算法是极其消耗计算能力的,因为其需要遍历网格中几乎每一个格子,甚至明明destination在上方,grassfire算法依旧需要向下探索。图中红色的区域代表已探索的点,蓝色是candidate,绿色是起点,黄色是终点。显然这个算法是各向同性的。

2.2、A* 算法

  grassfire算法的最大缺点是没有使用终点与起点相对位置关系信息。从而导致各项同性的探索策略。如果能增加一个将candidate拉向目标点的趋势,则可以减小被探索的点数目。

  A* 算法的数据结构包括五个部分:

  1、map

    2、g:相当于distancetostart;

  3、H:一种衡量算子,用于衡量当前点到目标点的绝对距离

  4、f:g+H,综合了当前点到起点的距离与到终点的距离

  5、parent,用于记录轨迹

  算法步骤:

  1、初始化,获取map,并将起点设为current. 获取H map,distance_ = 0

  2、进入循环   如果current为destination则退出循环

    distance_ = distance_ +1;

    获取当前点的相邻点

    将相邻点的g map值设为distance_

    将相邻点的f  map值设为g+H

    选择f map值最小的点为current

    将current f map值设为无穷大

  3、根据parent map, 反求轨迹

 

  机器人学 —— 轨迹规划(Introduction)_第5张图片机器人学 —— 轨迹规划(Introduction)_第6张图片

  结果如上所示。

  显然,由于引入了H map,所以算法会优先探索相对终点较近的点。obj = distance to start + distance to end 代表了最后需要走过的距离。每次都选择最小的obj,并且最后能够达到终点,那么总路程一定是全局最小的。

3、总结

  对于飞行机器人而言,每次移动都会消耗大量的能量。好的轨迹规划算法可以保证飞行器少走弯路,避开障碍。所以减少计算量必须是在少走弯路的前提下。移动所消耗的能量是计算所消耗能量的十倍左右。

你可能感兴趣的:(机器人学 —— 轨迹规划(Introduction))