自动驾驶路径规划——DWA（动态窗口法）
文章目录
- 1. DWA(Dynamic window approach)
-
- 1.1 机器人运动模型
- 1.2 速度采样
- 1.3 评价函数
- 参考文献
1. DWA(Dynamic window approach)
动态窗口法（DWA）主要是在速度空间中采样多组速度，并模拟机器人在这些速度下一定时间内的轨迹。在得到多组轨迹以后，对这些轨迹进行评价，选取最优轨迹所对应的速度来驱动机器人运动。
1.1 机器人运动模型
动态窗口法将移动机器人的位置控制转换为速度控制。在利用速度模式对机器人运动轨迹进行预测时，首先需要对机器人的运动模型进行分析[1]。移动机器人采用的是两轮差速模型， v ( t ) 和 ω ( t ) v(t)和ω(t) v(t)和ω(t)分别代表机器人在世界坐标系下的平移速度与角速度，反映了机器人的运动轨迹。在机器人的编码器采样周期 Δ t Δt Δt内，位移较小，机器人作匀速直线运动，则机器人运动模型为:
x ( t ) = x ( t − 1 ) + v ( t ) Δ t cos ( θ ( t − 1 ) ) y ( t ) = y ( t − 1 ) + v ( t ) Δ t sin ( θ ( t − 1 ) ) θ ( t ) = θ ( t − 1 ) + ω ( t ) Δ t \begin{array}{l}x(t) = x(t - 1) + v(t)\Delta t\cos (\theta (t - 1))\\y(t) = y(t - 1) + v(t)\Delta t\sin (\theta (t - 1))\\\theta (t) = \theta (t - 1) + \omega (t)\Delta t\end{array} x(t)=x(t−1)+v(t)Δtcos(θ(t−1))y(t)=y(t−1)+v(t)Δtsin(θ(t−1))θ(t)=θ(t−1)+ω(t)Δt式中 x ( t ) 、 y ( t ) 、 θ ( t ) x(t)、y(t)、θ(t) x(t)、y(t)、θ(t)———t时刻机器人在世界坐标下的位姿。
1.2 速度采样
动态窗口法将避障问题描述为速度空间中带约束的优化问题，其中约束主要包括差速机器人的非完整约束、环境障碍物的约束以及机器人结构的动力学约束。DWA算法的速度矢量空间示意图如图1-1所示，横坐标为机器人角速度 ω ω ω，纵坐标为机器人线速度 v v v，其中 v max {v_{\max }} vmax、 v min {v_{\min }} vmin为机器人最大、最小线速度， ω max {\omega _{\max }} ωmax、 ω min {\omega _{\min }} ωmin为机器人最大、最小角速度;整个区域为 v s {v_{s }} vs，所有白色区域 v a {v_{a }} va为机器人安全区域， v d {v_{d }} vd为考虑电机扭矩在控制周期内限制的机器人可达速度范围， v r {v_{r }} vr为上述3个集合的交集最终确定的动态窗口。
根据机器人的速度限制，定义Vs为机器人线速度与角速度的集合，即动态窗口算法搜索求解的最大范围，满足：
V s = { ( v , ω ) ∣ v min ≤ v ≤ v min , ω min ≤ ω ≤ ω max } {V_s} = \{ (v,\omega )|{v_{\min }} \le v \le {v_{\min }},{\omega _{\min }} \le \omega \le {\omega _{\max }}\} Vs={(v,ω)∣vmin≤v≤vmin,ωmin≤ω≤ωmax} 采样周期 Δ t Δt Δt内存在机器人最大、最小可到达的速度 v v v和角速度 ω ω ω范围，需要进一步缩小动态窗口。在给定当前线速度 v c {v_{c }} vc和角速度 ω c {\omega _{c }} ωc条件下，下一时刻动态窗口 v d {v_{d }} vd满足：
V d = { ( v , ω ) ∣ v c − v ˙ b Δ t ≤ v ≤ v c + v ˙ a Δ t , ω c − ω ˙ b Δ t ≤ ω ≤ ω c + ω ˙ a Δ t } \begin{array}{r}{V_d} = \{ (v,\omega )|{v_c} - {{\dot v}_b}\Delta t \le v \le {v_c} + {{\dot v}_a}\Delta t,\\{\omega _c} - {{\dot \omega }_b}\Delta t \le \omega \le {\omega _c} + {{\dot \omega }_a}\Delta t\} \end{array} Vd={(v,ω)∣vc−v˙bΔt≤v≤vc+v˙aΔt,ωc−ω˙bΔt≤ω≤ωc+ω˙aΔt}
式中 v ˙ a {\dot v_a} v˙a——机器人最大线加速度;
ω ˙ a {\dot \omega _a} ω˙a——机器人最大角加速度；
整个机器人的运动轨迹，可以细分为若干个直线或圆弧运动，为保证机器人安全区域，在最大减速度条件下，当前速度应能在撞击障碍物之前减速为0，则定义机器人碰撞可行区域的线速度与角速度集合 V a {V_{a }} Va满足：
V a = { ( v , ω ) ∣ v ≤ 2 d i s t ( v , ω ) v ˙ b , ω ≤ 2 d i s t ( v , ω ) ω ˙ b } \begin{array}{r}{V_a} = \{ (v,\omega )|v \le \sqrt {2dist(v,\omega ){{\dot v}_b}} ,\\\omega \le \sqrt {2dist(v,\omega ){{\dot \omega }_b}} \} \end{array} Va={(v,ω)∣v≤2dist(v,ω)v˙b,ω≤2dist(v,ω)ω˙b}式中 v ˙ b {\dot v_b} v˙b ——机器人最大线减速度，
ω ˙ b {\dot \omega _b} ω˙b——机器人最大角减速度；
d i s t ( v , ω ) dist(v,ω) dist(v,ω)———轨迹上与障碍物最近的距离(如图1-2所示)。
在速度矢量空间 V r {V_{r}} Vr中，根据线速度、角速度采样点数，将连续的速度矢量空间 V r {V_{r}} Vr离散化，得到离散的采样点 ( v , ω ) (v,ω) (v,ω)。对于每一个采样点，根据机器人运动学模型预测下一时刻机器人的多个运动轨迹生成，如图1-2所示。
1.3 评价函数
在采样的速度组中，有若干组轨迹是可行的，因此采用评价函数的方式为每条轨迹进行评价,采用的评价函数如下: G ( v , ω ) = σ ( α H e a d i n g ( v , ω ) + β O b s t a c l e ( v , ω ) + γ V e l o c i t y ( v , ω ) ) G(v,\omega ) = \sigma (\alpha Heading(v,\omega ) + \beta Obstacle(v,\omega ) + \gamma Velocity(v,\omega )) G(v,ω)=σ(αHeading(v,ω)+βObstacle(v,ω)+γVelocity(v,ω))
-
方位角评价函数 H e a d i n g ( v , ω ) Heading(v,ω) Heading(v,ω)——方位角不断地朝向终点位置函数。 在移动过程中， H e a d i n g ( v , ω ) Heading(v,ω) Heading(v,ω)函数用于使机器人的朝向不断趋向终点方向， θ θ θ越小，说明与终点的方位角越小。
图1-4 方位角评价函数示意图
-
障碍物评价函数 O b s t a c l e ( v , ω ) Obstacle(v,ω) Obstacle(v,ω)——评价机器人轨迹到障碍物距离函数。体现了机器人的避障能力，如果机器人的轨迹到障碍物的距离大于机器人半径，则没有发生碰撞的危险;
图1-5 障碍物评价函数示意图
反之，就说明碰撞风险大，舍弃这条轨迹。
-
速度评价函数 V e l o c i t y ( v , ω ) Velocity(v,ω) Velocity(v,ω)
最后对评价函数进行归一化处理(Why?)：
譬如对于障碍物距离评价标准，机器人传感器检测到的最小障碍物距离在二维空间中是不连续的，这种评价标准将导致评价函数不连续,也会导致某个项在评价函数中太占优势，因此将它们进行平滑处理。
归一化处理方法: 每一项除以每一项的总和
n o r m a l _ h e a d ( i ) = h e a d ( i ) ∑ i = 1 n h e a d ( i ) n o r m a l _ d i s t ( i ) = d i s t ( i ) ∑ i = 1 n d i s t ( i ) n o r m a l _ v o l o c i t y ( i ) = v o l o c i t y ( i ) ∑ i = 1 n v o l o c i t y ( i ) \begin{array}{c}normal\_head(i) = \frac{{head(i)}}{{\sum\limits_{i = 1}^n {head(i)} }}\\normal\_dist(i) = \frac{{dist(i)}}{{\sum\limits_{i = 1}^n {dist(i)} }}\\normal\_volocity(i) = \frac{{volocity(i)}}{{\sum\limits_{i = 1}^n {volocity(i)} }}\end{array} normal_head(i)=i=1∑nhead(i)head(i)normal_dist(i)=i=1∑ndist(i)dist(i)normal_volocity(i)=i=1∑nvolocity(i)volocity(i) 其中， n n n为采样的所有轨迹， i i i为待评价的当前轨迹。
三者构成的评价函数的物理意义是：在局部导航过程中，使得机器人避开障碍，朝着目标以较快速度行驶。
Dieter Fox[2]在文章中给出了评价指标可视化的图像（图1-6）。
参考文献
[1]劳彩莲,李鹏,冯宇.基于改进A*与DWA算法融合的温室机器人路径规划[J].农业机械学报,2021,52(01):14-22.
[2]Dieter Fox,Wolfram Burgard,Sebastian Thrun. The dynamic window approach to collision avoidance.[J]. IEEE Robot. Automat. Mag.,1997,4(1).