【运动规划算法】OpenPlanner

Travis.X

已于 2023-04-21 01:04:06 修改

阅读量7.2k

点赞数 22

分类专栏：运动规划文章标签：算法动态规划人工智能

于 2021-04-10 21:25:48 首次发布

本文链接：https://blog.csdn.net/Travis_X/article/details/115350840

版权

运动规划专栏收录该内容

8 篇文章 14 订阅

订阅专栏

文章目录

前言
一、原理
二、项目演示
参考资料

前言

OpenPlanner是名古屋大学开发的开源自动驾驶框架Autoware中使用的运动规划算法。它是通过对全局路径进行采样生成一系列的候选路径，结合矢量地图、传感器信息以及碰撞、交通规则等约束和优化目标，选择出最优的运动轨迹。OpenPlanner通用性强，只需相应的调整参数即可与任何的移动机器人配合使用。
在这里插入图片描述

下图是OpenPlanner的一般体系结构，其主要三个组成部分是全局规划器、行为状态生成器和局部规划器。
在这里插入图片描述
OpenPlanner旨在用于移动机器人的自主导航，更确切地说是应用于自动驾驶领域。它结合了矢量地图或道路网络地图中包含的所有离散信息（例如交通信号灯，交通标志，十字路口，停车线等的位置），这相对于其他的开源的导航系统OMPL和Navigation Stack来说是主要的优势。

使用矢量地图可以更加轻松、快速地进行全局和局部规划。当然，像RRT * 和 Hybrid A *这些自由空间中全局规划器对于停车和越野情况也是很重要的。在这种情况下，我们可以切换到自由空间规划器进行全局规划，仍需要使用Open Planner的行为状态机和本地规划器。与Navigation Stack相比，OpenPlanner的另一个优势是OpenPlanner可以与非完整约束底盘一起使用。

此外，OpenPlanner还提供基本的行为状态机功能，添加新状态很容易。另一方面，OMPL不提供状态机或离散行为计划。关于规划器的建图需求，Navigation Stack和OMPL都是需要代价地图的，OpenPlanner只需矢量图而不需要代价地图，除非切换到自由空间计划。总而言之，OpenPlanner更适合于遵守交通规则的自主移动机器人导航系统，它仅需要矢量地图和目标位置即可进行全局规划，而对于局部规划和行为状态生成，则仅需要当前位置和检测到的障碍即可。

一、原理

OpenPlanner包含全局规划器、行为状态生成器和局部规划器。本文只讨论其中的局部规划器op_planner模块。

op_planner包含Roll-outs Generator 和 Roll-outs Evaluator。

Roll-outs Generator

根据矢量地图生成的全局路径作为参考生成一系列平滑的候选路径。

Roll-outs Evaluator

结合障碍物信息以及其他因素来计算各个候选路径的代价，从而挑选出一条平滑、无障碍的局部路径。

1. Roll-outs Generator

Rollouts Generator是被实时执行的，因为局部规划都必须满足实时工作的基本要求。目标处理时间最多为0.1秒，以便控制器可以快速响应速度变化。候选路径生成算法的输入是当前位置、规划距离、生成候选路径的数量和全局路径。输出为n条平滑轨迹，从车辆中心一直延伸到最大规划距离。
在这里插入图片描述
如上图所示，将采样的过程划分为三个部分Car tip、Roll in和Roll out。