AVP自主代客泊车规划算法学习

AVP泊车规划算法学习

一、满足运动学的rrt算法

输入：起始点和终止点车辆状态【x,y,朝向，线速度】
输出：从起始点到目标点的路径【车辆状态序列：位置，朝向，速度，角速度等】
原理：
rrt最多进行70000个节点。首先在rrt上随机采样一个节点。然后针对该节点采用满足动力学的rrt进行新节点生成。当新节点和目标节点的距离小于阈值时，规划结束，路径回溯。找到最终规划的路径【为车辆的状态:位置，朝向，速度，角速度等】
rrt新节点生成，并进行该节点与被占据车位的碰撞检测。每一大步分10小步走，每一小步都满足车辆的运动学约束。实际上相当于采用相同的控制指令驱动机器人运动前进10步，即相当于新节点一步生成，然后进行离散化的结果。将生成的第10步节点压入rrt树中。第10步同样会存储到第1步的路径状态。
优化：
1）在全局地图随机采样进行rrt，是不是知道车位后仅仅进行车位范围内采样，使用rrt。
2）终止rrt条件，仅仅考虑了位置和朝向信息，但是并考虑速度信息。
3） 未考虑到倒车过程中的动态障碍物问题。
来源：https://github.com/Mech2019/ParkingLotPlanning
来源备注：matlab代码部分负责停车场地图生成，以及最终轨迹可视化；c++部分为核心的路径规划部分。
视频：可以参考github的代码文件下相关视频

二、圆弧切法

输入：环境地图，起始点和目标车位坐标
输出：停车规划路径
原理：从起始点到泊车位采用A*算法搜索出初始路径；通过初始路径末端斜率判断入库方向；进行停车路径首末段直线的生成；采用等双圆弧切方式生成停车路径；采用三阶b样条对停车路径进行平滑处理；三段停车路径的路径拼接。
优化：
1）采用r相同的圆进行停车路径生成，曲率方向发生变化，实际运行中需要车辆的转向。
2）对于车库边缘停车点的设定有要求，需要考虑车辆的最小转弯半径以及撞库角的风险。
来源：https://github.com/Pandas-Team/Automatic-Parking
图片：

三、目标树与改进rrt【缺少leda库，windows环境运行】

输入：地图信息【障碍物分布】，起始点，终止点
输出：起始点到终止点的路径规划【包括车辆位姿、相应的控制变量】
原理：
1、输入目标点【车库内部】：从终止点长出满足车辆动力学模型的每条路径20个节点的30条路径的搜索树【此处仅考虑垂直停车】
2、外部rrt树的生成：只有当rrt树节点数到大于1000同时新rrt节点与目标树的距离小于阈值0.5时结束树的生长。此树生长过程中进行控制输入优化【点追踪算法：根据输入的两个节点，找到最佳的控制输入信息，使得运动之后的俩个节点之间的距离最近【满足车辆非完整约束】【与障碍物无碰，不出边界】】
3、轨迹生成：此处仅仅完成轨迹的提取，并未进行平滑算法处理【可采用论文中的基于“点追踪”的平滑算法】
优化：论文涉及到最后的rrt部分的“点追踪”的平滑，但是实际代码中并没有体现。
来源：https://github.com/fengziyue/RRT-Parking
视频：参考github视频

备注：

资料整理，自查使用