论文阅读—基于采样的快速区域优化

• 【前端】双向运动，缩短时间，通过采样方向划定有偏采样，实现轨迹的区域优化（A*产生吸引点），减少迭代次数
• 【后端区域优化】5阶多项式，BVP求解有约束方程

Kinodynamic B-RRT*

RRT*+双向搜索+区域优化：Connect()、Steer()



尽可能花少量时间避免碰撞，按时间切分轨迹片段，由此计算目标成本：

• 平滑性成本：平滑后
  

• 相似性成本：与最初轨迹的差别
  

• 碰撞成本：根据最初轨迹选定的吸引点Pap，将曲线拖曳出碰撞区。（希望将曲线拉向attracting points, points）
  

• 最终cost总和
  

选取吸引点

用A算法找障碍周围的无障碍路径，从中间位置设置吸引点，产生方向的矢量。


(a). 黄色的曲线代表rrt的初始曲线，他并不考虑碰撞。这时候当检测出发生碰撞后，我们就找到碰撞曲线的起点和终点，如图中绿色的点 p1, p2 ,然后以这个起点和终点进行局部A搜索，找到中间点 pm ；再找到穿过障碍物的碰撞曲线的终点 pc ,就是这里面的橘黄色的点。attracting points（红色的点）就被定义成从pc指向pm方向上的一定距离的点。
参考

类似TGK-Planner的做法
文章的前部分将前端轨迹规划，是一个改进版RRT*， 改进的地方主要是在于其bias sampling。

• 具体的办法是首先进行不考虑障碍物的规划(如下图中的红色部分)，

• 然后检查其与障碍物交叉状态，一进一出就是一次cross, 如下如的蓝色虚线部分，

• 然后获得这些蓝色虚线后，在其法相衍生射线，如图中的橘黄色虚线部分，这个射线的端点在离开障碍物的grid map时终止，这个延伸向两个方向同时进行，

• 确认所有端点后依次连接，首尾点也是被连接点。最后获得下图中的橘色实线包络的区域，bias sample就在这个区域的外围进行。

• 但是：如果原始的避障曲线以及很接近障碍物了，即使后续通过优化过程(其中的与避障相关的惩罚项是将优化后的曲线拉向原始曲线，这里无法保证曲线与障碍物尽量远，事实上应该在目标函数或者约束中加上尽量远离障碍物的考虑)获得了优化轨迹，也有可能存在临近碰撞风险。

实验

1000次