1. 轨迹规划是什么?
在机器人导航过程中,如何控制机器人从A点移动到B点,通常称之为运动规划。运动规划一般又分为两步:
- 路径规划:在地图(栅格地图、四\八叉树、RRT地图等)中搜索一条从A点到B点的路径,由一系列离散的空间点(waypoint)组成。
- 轨迹规划:由于路径点可能比较稀疏、而且不平滑,为了能更好的控制机器人运动,需要将稀疏的路径点变成平滑的曲线或稠密的轨迹点,也就是轨迹。
2. 轨迹是什么?
轨迹一般用n阶多项式(polynomial)来表示,即
p(t)=p0+p1t+p2t2...+pntn=∑i=0npiti
其中 p0,p1,...,pn 为轨迹参数(n+1个),设参数向量 p=[p0,p1,...,pn]T ,则轨迹可以写成向量形式,
p(t)=[1,t,t2,...,tn]⋅p
对于任意时刻 t ,可以根据参数计算出轨迹的位置P(osition),速度V(elocity),加速度A(cceleration),jerk,snap等。
一个多项式曲线过于简单,一段复杂的轨迹很难用一个多项式表示,所以将轨迹按时间分成多段,每段各用一条多项式曲线表示,形如:
p(t)=⎧⎩⎨⎪⎪⎪⎪⎪⎪[1,t,t2,...,tn]⋅p1 t0≤t<t1[1,t,t2,...,tn]⋅p2 t1≤t<t2...[1,t,t2,...,tn]⋅pk tk−1≤t<tk
k 为轨迹的段数,
此外,实际问题中的轨迹往往是二维、三维甚至更高维,通常每个维度单独求解轨迹。
3. Minimum Snap轨迹规划
轨迹规划的目的:求轨迹的多项式参数 p1,...,pk 。
我们可能希望轨迹满足一系列的约束条件,比如:希望设定起点和终点的位置、速度或加速度,希望相邻轨迹连接处平滑(位置连续、速度连续等),希望轨迹经过某些路径点,设定最大速度、最大加速度等,甚至是希望轨迹在规定空间内(corridor)等等。
通常满足约束条件的轨迹有无数条,而实际问题中,往往需要一条特定的轨迹,所以又需要构建一个最优的函数,在可行的轨迹中找出“最优”的那条特定的轨迹。
所以,我们将问题建模(fomulate)成一个约束优化问题,形如:
minf(p)s.t. Aeqp=beq, Aieqp≤bieq