路径规划之DWA类算法简述

  关注同名微信公众号“混沌无形”，阅读更多有趣好文！

原文链接：机器人空间采样算法研究现状简述（包含原文PDF百度云下载链接）

空间采样算法按照采样空间不同，可分为：状态空间采样和运动空间采样。如图 2.1所示，基于状态空间采样的算法能够在大面积、高纬度的空间中快速生成路径，包括RRT和PRM类算法等，具有概率完备性，其主要步骤包括随机采样、度量连接、碰撞检测和路径查询。基于运动空间采样的算法则在速度空间等距采样，通过评价函数选择最佳控制指令，驱动机器人运动，主要包括CVM类算法及DWA类算法等。

（请横屏看图）

图 2.1 空间采样算法发展路线概况

第四类是DWA（Dynamic Window Approach）类算法，DWA[22]与CVM极为相似，均基于速度空间采样，评价方式有区别。Brock、Seder等人提出了改进算法，如General DWA[23]将DWA扩展为全向移动，并融入导航函数，TVDW[24]考虑了动态障碍物，将FD*与DWA相结合，以提升机器人运动前瞻性，DW4DO[25]使用了双重动态窗，无动力学约束限制的动态窗增加了DWA的探测范围，并将其升级为DW4DOT[25]，进一步提升DWA的前瞻性，以提升其避障性能。

图 2.8 DWA算法（图片来源：https://github.com/AtsushiSakai/PythonRobotics）

 

 精彩的理论论证过程见原文链接（含全文下载链接）

由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。

原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：移动机器人路径规划之一空间采样算法

如果喜欢的话，可以关注我，阅读更多有趣好文！

微信公众号：混沌无形

知乎号：混沌无形

B站：混沌无形R