运动规划的注意事项
目前大多数规划算法都是从质点模型出发考虑。质点模型将运动轨迹当成一个点,这个点和无人车是不一样的。假设把一个无人车看成一个点,这个点和另一个点不相撞,在数学定义上是点和点没有交集,但是在实际生活中一个车和一个车可是会相撞。下面介绍解决这些问题的一些方法:Configuration Space (构造空间),也就是说能够控制什么变量。对于刚体而言,不仅是XY坐标,还要有heading信息才能研究跟障碍物之间的关系。对于无人车来说有更多的变量。其复杂性主要体现在两个方面,一个是Space Dimensionality(空间维度),另一个Geometric Complexity(几何复杂性)。例如bounding box跟bounding box之间怎么相交,一个多面体跟一个多面体之间怎么检测出路径,以避免跟另一个障碍物相交。
一般来说,规划问题需要注意三类Constraints(约束):一个是Local Constraint,例如避免和障碍物碰撞。第二是Differential Constraint,比如边界曲率。最后是Global Constraint。比如最短路径。
规划算法
RRT(基于快速扩展随机树算法)
它构造一个根结点为起始点的配置空间树,通过随机采样增加叶子节点的方式,生成一个随机扩展树,当随机树中的叶子节点包含了目标点或进入了目标区域,便可以在随机树中找到一条由从初始点到目标点的路径。如果叶子节点和目标节点之间的连接被障碍物阻挡,则需要重新采样。
但是,这种算法生成的曲线并不平滑,在实际上是很难实现的
Lattice网格方法
针对上述问题,对算法做出改进,产生Lattice网格方法
Lattice网格方法非常简单,它在XY世界坐标系中,以1米为单位进行网格划分,然后用无人车可以行进的、曲率连续的曲线将起始点和目标点连接起来。
但是这种方法还是不能满足需求。对于道路来说,这种抽象方式并不合适。Lattice Sampling撒点不能在规则化坐标系下去撒点,因为道路并不是一个完全XY的坐标系。
Polynomial方法
针对上述问题,又有人提出了改进Polynomial方法
Polynomial方法使用螺旋曲线,即Splines。此外,还可以使用路径-速度迭代优化的方法对Lattice方法进行优化,也就是Polynomial方法。它将问题降维,分成了path 和 speed两个维度逐渐优化,这是一种iterative的处理方式。
Functional Optimization方法
Functional Optimization方法对运动规划进行处理,对整个问题建模,设计相应的代价函数。二次规划就是其中一种常用的方法。