6软硬约束下的轨迹优化

Introduction

Minimum snap trajectory optimization

6软硬约束下的轨迹优化_第1张图片

Minimum snap这种方法只限制轨迹应该会通过的中间路径点(中继点),collision checking存在于轨迹搜寻中。
优点在于计算成本低,易于实现。但对轨迹本身没有约束,轨迹的“超调”不可避免如图所示。
基于Minimum snap 框架有利于平滑曲线但不利于避障。所以需要我们进行优化.

方法

产生障碍物推力(人工势场法),添加硬约束(bound box绿色方块)
6软硬约束下的轨迹优化_第2张图片

Hard/Soft constraints

min ⁡ f ( x ) s . t . g i ( x ) = c i , i = 1 , . . . , n    等式约束    h j ( x ) ⩾ d j , j = 1 , . . . , n    不等式约束 \min f\left( x \right) \\ s.t. g_i\left( x \right) =c_i, i=1,...,n\,\,\text{等式约束} \\ \,\, h_j\left( x \right) \geqslant d_j, j=1,...,n\,\,\text{不等式约束} minf(x)s.t.gi(x)=ci,i=1,...,n等式约束hj(x)dj,j=1,...,n不等式约束
硬约束必须要满足


软约束目标是尽量减少下面函数值
min ⁡ f ( x ) + λ 1 ⋅ g ( x ) + λ 2 ⋅ h ( x ) \min f\left( x \right) +\lambda _1\cdot g\left( x \right) +\lambda _2\cdot h\left( x \right) minf(x)+λ1g(x)+λ2h(x)
λ \lambda λ后面惩罚项/损失函数
•首选但不是严格要求的约束。
•包含各种损失函数。

6软硬约束下的轨迹优化_第3张图片

Hard-constrained Optimization

Corridor-based Trajectory Optimization

[论文](Online generation of collision-free trajectories for quadrotor flight in unknown cluttered environments , Jing Chen et al.)
八叉树地图->搜寻处一条几何空间的路径(不考虑动力学)->对方格进行膨胀->生成走廊里的轨迹
6软硬约束下的轨迹优化_第4张图片
6软硬约束下的轨迹优化_第5张图片

问题是凸优化是不考虑初值的A

Problem formulation

如何将一段轨迹放在方框里,特别是重叠区域,中间区域
6软硬约束下的轨迹优化_第6张图片

  • 瞬时线性约束,比较好施加
    • 起始点,重点约束( A p = b A_p=b Ap=b
    • 变化点 ( A p = b , A p ⩽ b A_p=b,A_p \leqslant b Ap=bApb)
    • 连续约束( A p i = A p ( i + 1 ) A_{p_i}=A_{p_(i+1)} Api=Ap(i+1)
  • 间隔线性的约束
  • 对于 A ( t ) p ⩽ b , ∀ t ∈ [ t l , t r ] A\left( t \right) p \leqslant b, \forall t\in \left[t_l,t_r \right] A(t)pb,t[tl,tr]
  • 边界约束
  • 动力学约束(v,a限制)6软硬约束下的轨迹优化_第7张图片

Advantages

效率:简化图中的路径搜索,凸优化在走廊上是高效率的。(二次规划问题)
高质量:走廊提供大的优化自由度。
红色为时间点,能够移动,可以根据需要调节
6软硬约束下的轨迹优化_第8张图片

Disadvantages

所有的约束只在分段节点上执行,如何保证它们是有效的
迭代检查极值并添加额外的约束。将它压下去,直到符合给定约束的机制
6软硬约束下的轨迹优化_第9张图片

  • 但是QP问题迭代求解非常耗时。
  • 如果没有严格可行的解决方案满足所有约束。那我们要跑10次迭代来确定解决方案?
  • 原因:
    •检验极值(多项式求极值转变为导数为0的问题)是另一个多项式求根问题。
    •四次等式有求根公式,容易求,但是高阶呢。

Polynomial roots finding

•高阶多项式需要数值解,使用伴随矩阵,转化为矩阵求根问题.在matlab的root公式中说明如下
6软硬约束下的轨迹优化_第10张图片

Bezier Curve Optimization贝塞尔曲线优化

Y:替换多项式的形式,因为其不方便施加约束

Trajectory basis changing

使用Bernstein多项式基。
•将轨迹的基从单项多项式改为伯恩斯坦多项式
•Bézier曲线只是一个特殊的多项式,它可以通过以下方法映射为单项多项式:
p = M c ˙ p=M \dot c p=Mc˙之前的推导仍然成立。
6软硬约束下的轨迹优化_第11张图片
[ n i ] 相当于 c n i \left[ \begin{array}{c} n\\ i\\ \end{array} \right] \text{相当于}c_{n}^{i} [ni]相当于cni

Properties:
Bezier的系数c称为控制点,有实际的物理意义
•端点插值。贝塞尔曲线总是从第一个控制点开始,到最后一个控制点结束,绝不通过任何其他控制点。如图
•凸包。贝塞尔曲线()由一组完全受限的控制点ci组成,一段Bezier曲线一定被其所有控制点围成的凸包包围住(P0~P4)
•Hodograph。Bezier曲线B()的导数曲线B’()被称为Hodograph,还是贝塞尔曲线,
并且是由n∙(c+1−c)定义的具有控制点的Bezier曲线,其中n为度。
• 固定的时间间隔。Bezier曲线总是在[0,1]上定义,所以需要轨迹进行缩放
6软硬约束下的轨迹优化_第12张图片

Convex hull property

凸多边形如果被约束在飞行走廊中,那么轨迹也就被约束在飞行走廊中,同样轨迹的导数即速度以及加速度也可以利用凸包范围进行限制。
•飞行走廊由凸多边形组成。
•每一个立方体对应着一条贝塞尔曲线。
•这条曲线的控制点被约束在多边形内
•轨迹完全在所有点的凸包内
6软硬约束下的轨迹优化_第13张图片

Trajectory Generation Formulation

目标函数(依然是二次型)
连续性约束只需要前端末尾后端开始两个被控制点相等,速度可以利用hodograph的性质n(c1-c0)=v,同理,加速度可以用速度表示边界,
安全性约束也都可以使用凸包性质,控制点在安全走廊中,不等式约束.
动力学约束可以使用凸包性质和Hodograph性质实现, f 1 ( 0 ) = s 0 , f N ( T N ) = s N f_1(0)=s_0,f_N(T_N)=s_N f1(0)=s0,fN(TN)=sN
综上:约束条件仍然为线性等式约束和线性不等式约束,仍然为QP问题。不过优势是能够彻底地避免迭代求解问题.
6软硬约束下的轨迹优化_第14张图片

Simulation result

6软硬约束下的轨迹优化_第15张图片

6软硬约束下的轨迹优化_第16张图片
6软硬约束下的轨迹优化_第17张图片

6软硬约束下的轨迹优化_第18张图片

[论文](Online Safe Trajectory Generation For Quadrotors Using Fast Marching Method and Bernstein Basis Polynomial , Fei Gao et al.)
source code

Other Options

Dense constraints

•在离散时间点添加大量约束。
•每一个时间段恒定加速度。
•QP方案解决方案

  • 速度慢,
    6软硬约束下的轨迹优化_第19张图片
    •总是生成过于保守的轨迹。
    •约束太多,计算负担高

[论文](A hybrid method for online trajectory planning of mobile robots in cluttered environments , L Campos-Macías et. al)

6软硬约束下的轨迹优化_第20张图片

Mixed integer optimization

并非凸优化问题,用于无人机编队
对问题解决用数学描述为 大M法,
[论文](Mixed-integer quadratic program trajectory generation for heterogeneous quadrotor teams , D. Mellinger et al.)
6软硬约束下的轨迹优化_第21张图片

Soft-constrained Optimization

Distance-based Trajectory Optimization

  • Motivation

Vison-based无人机:
•有限的传感范围和质量
•噪声深度估计
Hard-constrained方法:
•所有解空间都是等价的
•解空间对噪音敏感

6软硬约束下的轨迹优化_第22张图片
软约束能够让路径更加远离障碍物,但是如果目标函数设置不合理,不一定使得约束能够完全满足.

Problem formulation

6软硬约束下的轨迹优化_第23张图片
6软硬约束下的轨迹优化_第24张图片

  • 利用微分平坦性将无人机参数空间降维,并用多项式模拟轨迹
  • 定义目标函数,第一项为平滑项、第二项为碰撞项、第三项为动力学约束项。
  • 平滑项可以使用Minimum Snap求解公式求解,用中继点的(p,v,a)来代替路径多项式的参数,但在这里中继点的位置是可以改变的
  • 碰撞项,惩罚距离最近的障碍物的轨迹点(对曲线沿着路径进行积分ds),然后分解为小段之和. p ( t ) p(t) p(t)表示t时刻位置, c ( p ( t ) ) c(p(t)) c(p(t))为惩罚函数,涉及到距离场;二者的确定方式:首先可以构建一个Euclidean signed distance field(ESDF),每个格子储存其到障碍物的最小距离。然后再经过一个幂次函数,或者barrier function,使得当里障碍物特别近的时候,惩罚急剧上升。
    • 由于是对路径积分,求导不太好求,所以把路径离散化掉再对 d p u d_{pu} dpu求导, c ( p ( T k ) ) 和 ∣ v ( t ) c(p(T_k)){和}|v(t) c(p(Tk))v(t)与其有关, δ t \delta t δt是常量
  • 动力学项,惩罚速度和加速度,与碰撞项类似,不过 c v c_v cv不用构建ESDF.
  • 目标函数(ESDF,这是由于距离场的特性决定的)并非凸函数,不能直接凸优化求解,而需要通过一步步求导,平滑项 J s J_s Js,碰撞项对自由变量 d p u d_{pu} dpu求导,得到关于它的雅可比矩阵

二阶求导结果6软硬约束下的轨迹优化_第25张图片

Euclidean signed distance field (ESDF)

6软硬约束下的轨迹优化_第26张图片

Numerical optimization

6软硬约束下的轨迹优化_第27张图片

基于梯度的数值优化方法,通过minimizef(x)求得关于 x k x^k xk的数值序列使得 f ( x k ) f(x^k) f(xk)逼近最优解,或者使f(x)的导数为0。有以下求解方法
一阶法,即梯度下降,向导数的负方向搜索:
6软硬约束下的轨迹优化_第28张图片
6软硬约束下的轨迹优化_第29张图片
判断梯度的变化大小进而判断是否收敛

线性搜索方法
6软硬约束下的轨迹优化_第30张图片

  • 二阶方法

6软硬约束下的轨迹优化_第31张图片
一二阶方法之间
6软硬约束下的轨迹优化_第32张图片
已经有很多方法,如ceres NLopt

Planning strategy

6软硬约束下的轨迹优化_第33张图片
先执行一段固定轨迹,先考虑collision cost,再优化其他
6软硬约束下的轨迹优化_第34张图片

6软硬约束下的轨迹优化_第35张图片

一旦某一项出现情况就会急剧上升,总体J要保证下降

optimization strategy

optimize
optimal
6软硬约束下的轨迹优化_第36张图片
两部走收敛结果好而快
6软硬约束下的轨迹优化_第37张图片

论文: Gradient-Based Online Safe Trajectory Generation for Quadrotor Flight in Complex Environments, Fei Gao et al.
Source code

Case Study

Fast planner

Kinodynamic path searching

  • B-Spline trajectory optimization
  • time adjustment
    6软硬约束下的轨迹优化_第38张图片
    6软硬约束下的轨迹优化_第39张图片
    B样条
    6软硬约束下的轨迹优化_第40张图片
    优化速度的提升
    凸包特性:简化安全与动力约束
    连续性:节段连接处不需要约束
    6软硬约束下的轨迹优化_第41张图片
    6软硬约束下的轨迹优化_第42张图片
    6软硬约束下的轨迹优化_第43张图片
    6软硬约束下的轨迹优化_第44张图片
    6软硬约束下的轨迹优化_第45张图片

Homework

•在matlab中编写一个生成走廊约束分段贝塞尔曲线。
•给出了贝塞尔到单项多项式的转换。
•走廊是预先设定好的。
•只需要限制位置。
6软硬约束下的轨迹优化_第46张图片

你可能感兴趣的:(Motion,Planning,算法,自动驾驶,matlab)