局部路径规划算法-DWA动态窗口法

引言

本文主要是转载学习的内容，为了记录传统算法的学习，方便复习，对比看看传统算法和新的算法有哪些相似的地方。
DWA算法，在仿真上效果好些，在扫地机器人等室内机器人方面可能效果好，但是在自动驾驶还是不太合适。但是采样和评价函数的思想在自动驾驶领域的应用还是挺多的。

1. 介绍

动态窗口算法(Dynamic Window Approaches, DWA) 是基于预测控制理论的一种次优方法，因其在未知环境下能够安全、有效的避开障碍物, 同时具有计算量小, 反应迅速、可操作性强等特点。DWA算法属于局部路径规划算法。

DWA算法（dynamic window approach）是移动机器人在运动模型下推算（v,w）对应的轨迹，确定速度采样空间或者说是动态窗口（三种限制）；在速度空间（v,w）中采样多组速度，并模拟这些速度在一定时间内的运动轨迹，通过一个评价函数对这些轨迹打分，选取最优的轨迹来驱动机器人运动。

对于无人驾驶汽车而言，情况类似，将车辆的位置变化转化为线速度和角速度控制，避障问题转变成空间中的运动约束问题，这样可以通过运动约束条件选择局部最优的路径。

下面是一个大佬的博客，看完基本理解DWA算法。
【路径规划】局部路径规划算法——DWA算法（动态窗口法）|（含python实现 | c++实现）

贴个实验图：

算法中的3步：

1. 采样
2. 生成轨迹
3. 代价函数评估轨迹

感觉和Lattice planner和Em planner的思路有相似之处，后面学完这两个算法再看看。