[运动规划算法]基于硬约束和软约束的轨迹规划

最新推荐文章于 2024-04-08 14:33:03 发布
最新推荐文章于 2024-04-08 14:33:03 发布
阅读量5.1k 收藏 80
点赞数 10
分类专栏： 运动规划
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Travis_X/article/details/114905526
版权

文章目录

前言

1.基于Minimum snap的轨迹优化

基于Minimum snap框架有利于光滑轨迹的生成但是不利于作避障。
在这里插入图片描述

2.带安全约束的Minimum snap

一般是添施加推力将轨迹往里推（软约束），或者轨迹上添加bounding box（硬约束）。
在这里插入图片描述

3.硬约束和软约束

硬约束（下图上方）要求等式约束和不等式约束都必须在全局的条件下满足，生成的轨迹才能是我们可以接受的解。

软约束（下图下方）将上方的等式约束和不等式约束都加到目标函数中，它是没法保证约束一定是成立的，但它是使约束是倾向性成立。常见的惩罚函数L2 loss、L1 loss、Huber Loss和Barrier function。
在这里插入图片描述

一、硬约束优化

1.基于走廊的光滑轨迹生成

实现步骤：构建八叉树地图 -> 在八叉树地图中搜索可行的路径并构建飞行走廊 -> 飞行走廊进行膨胀 -> 生成飞行走廊里的轨迹。
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

如何保证整段轨迹在飞行走廊中（安全区域内）？

解法：迭代检查最大值并添加额外约束，当轨迹中存在极值点查过边界限制yb时，在每个极值点出添加额外约束。
在这里插入图片描述
新点约束比原来约束yb的限制要更加紧迫，在有限次的迭代后，会把多项式压在约束边界内。

  • 迭代求解过程耗费大量时间
  • 实际中有些情况是不存在满足所有约束的可行解，但是需要通过多次迭代才能知道解是否存在。

如何能够尽快地判断是否存在可行解？

解法：将基于monomial polynomial轨迹变为基于Bernstein polynomial轨迹。
在这里插入图片描述

2.基于贝塞尔曲线的轨迹优化

贝塞尔曲线的特点

  1. 轨迹一定经过起点和终点，并且轨迹一定不经过中间控制点；
  2. 避免迭代求值，整段贝塞尔曲线一定完全被控制点构成的凸包所包围；
  3. 贝塞尔曲线的导数还是贝塞尔曲线，并且有闭式解，如果定义了轨迹的贝塞尔曲线，那么高阶导数的曲线可以直接得到；
  4. 每段曲线时间间隔都定义在（0，1）之间。
    在这里插入图片描述
    在这里插入图片描述
    waypoints constraints：轨迹经过起点和终点。
    continuity constraints：多段轨迹必须连续。
    safety constraints：各段的control points必须落在飞行走廊中。
    dynamical feasibility constraints：整段的速度和加速度不能超过物理极限。
    在这里插入图片描述
    综合所有约束项之后得到的公式化描述，包括等式约束、不等式约束、动力学约束。回归到一个QP问题，使用Mosek convex solver求解。此时的QP问题只需要求解一次，不需要迭代过程。（之前求解次数较多是因为安全性约束无法保证，并且每次更改边界后也没办法保证可行解的存在性和可行性）。

3.其他解决方法

在这里插入图片描述
在这里插入图片描述

二、软约束优化

1.基于距离的轨迹优化

硬约束方法存在的问题：将所有的安全区域都认为是等价的，很可能会导致轨迹的某些地方距离障碍物太近，如果控制部分不能完全按照轨迹走，则依然会导致碰撞；另一个潜在问题在于如果大量的使用基于视觉的方法，则会产生较多的噪点，那么就会给规划问题带来麻烦(对噪声敏感)。

软约束的方法则是施加一个“推力”，将轨迹往远离障碍物的方向推。核心问题在于设计好的目标函数，因此当目标函数设定不合理时会导致路径可能会碰到障碍物，这是软约束的不足。
在这里插入图片描述

2.目标函数的设计

目标函数 = 光滑代价函数 + 碰撞代价函数 + 动力学代价函数。
光滑代价函数： 使用minimum snap来实现。
碰撞代价函数： 对太靠近障碍物进行惩罚。
动力学代价函数：对超出动力学约束进行惩罚。

在这里插入图片描述
在这里插入图片描述

3.欧式距离场

使用指数函数作为代价函数是为了惩罚太靠近障碍物的轨迹。
在这里插入图片描述

4.数值优化

在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

5.规划策略

整个规划流程：

  1. 导航开始前先获取一条全局的路径；
  2. 使用前端获取局部路径和局部的目标点；
  3. 使用后端优化生成局部轨迹；
  4. 跟踪生成的轨迹

扩展策略

  1. 建图模块出现异常值阻塞轨迹时进行激活；
  2. 在附近区域生成短而安全可行的轨迹；
  3. 悬停进行观察。
    在这里插入图片描述

  • 使用minimum snap初始化轨迹

    • 有利于光滑的轨迹生成；
    • 可能会因为过冲而造成碰撞损失，初始值不安全。

  • 使用沿着路径的直线轨迹来初始化轨迹

    • 生成的轨迹不够光滑；
    • 初始值安全且不会发生碰撞；
    • 通过使用指数函数来作为惩罚函数可以给出一条无碰撞安全可行的初始轨迹。
      在这里插入图片描述

  • 优化策略

    • 仅以碰撞代价来优化轨迹；
    • 重新分配时间和重新调整参数来优化轨迹；
    • 通过添加平滑项和动态惩罚项来优化目标。
      在这里插入图片描述

6.实验结果

在这里插入图片描述
https://github.com/HKUST-Aerial-Robotics/grad_traj_optimization

参考资料

【1】深蓝学院运动规划课程。
【2】【泡泡机器人公开课】第九十三课：Online quadrotor trajectory generation-高飞
https://www.bilibili.com/video/BV1W4411E7jq

Travis.X
关注
  • 10
    点赞
  • 踩
  • 80
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
机器人运动规划算法汇总
05-14
史上最全的机器人运动规划算法集合，主要包含图规划算法、空间采样算法、曲线插值拟合算法和仿生智能算法四个子类，并从移动机器人运动的角度对部分经典研究成果进行分析和总结。关注《混沌无形》可免费获取！！！
6软硬约束下的轨迹优化
qq_37087723的博客
06-11 1888
Introduction Minimum snap trajectory optimization 我们只限制中间路径点 轨迹应该会通过。 •计算成本低，易于实现。 •对轨迹本身没有约束。 •轨迹的“超调”不可避免。 基于Minimum snap 框架有利于平滑曲线 代，不利于避障。所以需要我们进行修改， 产生障碍物推力（人工势场法），添加硬约束（bound box绿色方块) Hard/ Soft constraints min⁡f(x)s.t.gi(x)=ci,i=1,...,n  等式约束  hj(
图解自动驾驶中的运动规划(Motion Planning)，附几十种规划算法_自动驾驶驾驶动态规划算法
最新发布
2401_84182097的博客
04-08 1803
*运动规划(Motion Planning)**以最优性为核心，在环境中给定起点和终点的条件下，规划机器人无冲突行进的状态序列。运动规划框架如下所示，主要包含路径规划与轨迹规划两大组件。那路径规划和轨迹规划有什么区别和联系呢？路径规划(Path Planning)以可达性为核心，基于路径约束(如障碍物)，规划机器人首末位置间无冲突行进的最优路径序列。**轨迹规划(Trajectory Planning)**以稳定性和快速性为核心，基于运动学、动力学约束和路径序列，规划运动状态 以逼近全局路径。
Motion Plan | 软硬约束下的轨迹如何生成，理论&代码详解！
CV_Autobot的博客
01-12 79
作者|远洋之帆 编辑|汽车人原文链接：https://zhuanlan.zhihu.com/p/672855397点击下方卡片，关注“自动驾驶之心”公众号ADAS巨卷干货，即可获取点击进入→自动驾驶之心【规划控制】技术交流群本文只做学术分享，如有侵权，联系删文本项目代码：github.com/liangwq/robot_motion_planing轨迹约束中的软硬约束前面的几篇文章已经介...
路径规划——软/硬约束下的轨迹优化
space_dandy的博客
03-09 6050
Minimum Snap是轨迹优化中的常用方法，其效果如下： 上图中红线为Minimum Snap优化生成的光滑轨迹，可以看出Minimum Snap有利于光滑曲线的生成。该算法虽然可以控制轨迹经过哪些路标点，但是没有考虑环境中的障碍物信息(如图中红色方块)，不利于做避障。 软/硬约束 硬约束 硬约束要求严格满足上述等式约束或不等式约束。 软约束 软约束将约束加入在目标函数里，即加入惩罚项。 1.硬约束轨迹优化 1.1 Corridor-based 轨迹优化(基于走廊的) 论文名称：Online
百度Apollo自动驾驶专题讲座笔记之运动规划模块
zhongweidu3的博客
05-15 1万+
主讲人：范昊阳 包括运动规划基础概述、自动驾驶运动规划、环境下运动规划、运动规划内优化、Apollo emplanner开发环节、强化学习与数据驱动方法七个部分 第一部分：运动规划基础概述 1、什么是规划问题？ 首先明确规划问题的本质是一个搜索问题 （给一个目标函数找一个最优解），运动规划 motion planning 搜索问题可以认为是找到对应状态（input：车辆当前位置、感知障碍物位置速度...
软约束、硬约束、Minimum Snap的轨迹优化方法
世界仙境与冷酷尽头's Blog
06-09 2939
Minimum Snap
移动机器人路径规划（六）--- 软约束、硬约束下的轨迹优化/生成SOFT AND HARD CONSTRAINED TRAJECTORY OPTIMIZATION
qq_41694024的博客
11-23 514
移动机器人路径规划（六）--- 软约束、硬约束下的轨迹优化/生成SOFT AND HARD CONSTRAINED TRAJECTORY OPTIMIZATION
硅芯思见：“软约束”到底有多“软”
m0_46345246的博客
08-28 1086
本文示例SystemVerilog中soft约束如何使用
移动机器人运动规划(六)--软约束和硬约束下的轨迹优化
weixin_43619346的博客
07-20 3540
本节课
【从零开始学习 SystemVerilog】8.15、SystemVerilog 约束—— Soft Constraints（软约束）
努力，加油每一天鸭~
09-12 1564
【从零开始学习 SystemVerilog】8.15、SystemVerilog 约束—— Soft Constraints（软约束）
一种基于运动学约束的工业机器人轨迹规划算法.pdf
08-13
#资源达人分享计划#
智能车辆局部轨迹规划与跟踪控制算法研究
03-03
对轨迹集合引入了运动学约束检测，过滤掉不满足运动学约束的轨迹。采用了定向 边界框法简化环境障碍物和无人车的形状， 引进分离轴理论对轨迹进行碰撞检测。 最后针对常见的驾驶场景设计了仿真程序验证， 结果验证了...
RRT系列算法解决机械臂的避障轨迹规划
01-07
机械臂轨迹规划是机器人技术中的一个重要环节，它是指在进行作业任务时，为机器人的各个关节或者末端执行器规划出一条从起始位置到目标位置的连续运动路径，并确保在移动过程中满足一系列约束条件的过程。...
英文文献基于遗传算法的工业机器人最优时间轨迹规划的译文
04-23
英文名字：Industrial_Robot_Optimal_Time_Trajectory_Planning_Based_on_Genetic_Algorithm的译文基于遗传算法的工业机器人最优时间轨迹规划，公式已经打出，表格可编辑。 本文提出了一种工业机器人的最优轨迹规划...
论文研究-基于AGA的时间最优机械臂轨迹规划算法.pdf
07-22
根据机械臂运动学约束，提出了关节空间基于自适应遗传算法(AGA)的3-5-3多项式插值轨迹规划算法。利用运动学约束，以最优时间为目标，针对关节型机器人在静态环境下点到点的轨迹规划问题，利用AGA算法解算多项式插值...
目标规划的数学建模及求解
热门推荐
qq_45378809的博客
07-20 1万+
目标规划和线性规划 目标规划是为了解决多个目标问题而产生的一种数学规划方法，是由线性规划发展演变而来。目标规划和线性规划主要有以下区别： 线性规划是在一组线性约束条件下，寻求某一单一目标的最优值，只有一个目标函数，但在实际问题中往往要考虑多个目标。 目标规划模型中的目标函数可以有多个目标可以设置，多个目标之间可能是互相矛盾、相互排斥的，每个目标分别带有不同的优先级和权系数； 线性规划立足于满足所有约束条件的可行解，而目标规划是在条件下找到满意解,并不一定要满足所有约束，更能运用于实际生活中。 目标规划 目标
软约束和硬约束的轨迹优化
Mr.π的博客
03-29 4777
左边是软约束，右边是硬约束 -------------------------------------------------------------------------------------------------------------------------------------------------------------------------分界线 ---------...
团队开发的“软约束”和“硬约束”
tiangej的专栏
12-19 6302
大型项目需要团队开发。 团队开发的标准之一是“千人一面”。即不同的人开发的代码在形式和风格上保持一致，就像一个人开发出来的一样。 为了做到这一点，需要事先制定“软约束”和“硬约束”。   “软约束”：编码规则，命名规则，典型代码的示例（Sample）等等，这些对代码的约束，我们可称之为“软约束”。 “硬约束”：与“软约束”相对，框架就是“硬约束”。在编码过程中，如果不遵守，程序就无法编译
systemverilog 软约束
09-04
SystemVerilog中的软约束（Soft Constraints）是一种在约束语句中使用的方法，用于描述设计中的一些性能和功能要求，但不需要强制满足。软约束允许设计人员在设计过程中灵活地调整和平衡性能与资源之间的权衡。下面是一个示例: ```verilog module MyModule; parameter int DATA_WIDTH = 8; parameter int ADDR_WIDTH = 4; // 软约束示例 constraint soft_constraint { DATA_WIDTH >= 8; ADDR_WIDTH >= 4; (DATA_WIDTH + ADDR_WIDTH) <= 16; } // 硬约束示例 constraint hard_constraint { DATA_WIDTH >= 8; ADDR_WIDTH >= 4; (DATA_WIDTH + ADDR_WIDTH) <= 16; } // ... endmodule ``` 在上述示例中，软约束可以用来指定对DATA_WIDTH和ADDR_WIDTH的要求，但不是必须满足的条件。相比之下，硬约束则是必须满足的条件。 软约束的好处在于它们提供了更大的灵活性，使设计人员能够在性能和资源之间进行权衡和调整。然而，过多的软约束可能导致设计不稳定或无法实现。因此，在使用软约束时需要谨慎并进行适当的验证和调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Travis.X

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值