ipa 覆盖算法分析（二）

lmrcat

已于 2024-05-26 01:04:22 修改

阅读量1k

点赞数 25

分类专栏：算法文章标签：算法机器人自动驾驶 ROS

于 2024-05-18 11:12:20 首次发布

本文链接：https://blog.csdn.net/jucat/article/details/139015434

版权

算法专栏收录该内容

19 篇文章 1 订阅

订阅专栏

参考

Indoor coverage path planning: Survey, implementation, analysis. 多种覆盖算法的实现和对比

上篇文章

ipa 覆盖算法分析（一）

Grid-based Traveling Salesman Coverage Path Planning 基于栅格旅行商覆盖路径算法

基于栅格的旅行商问题（TSP）规划器将房间地图的可访问区域分解为一系列栅格单元。覆盖路径规划问题的解决方案是寻找一条访问所有栅格单元，且全局最短的路径。栅格单元之间的移动距离近似于它们的最短路径的长度，该最短路径由原始房间地图上的 A* 算法计算。

TSP 通过 Concorde 求解器，或者遗传算法，或者简单但快速的最近邻方法近似求解。

Neural Network-based Coverage Path Planning 基于神经网络的覆盖路径算法

基于神经网络的覆盖路径规划器受神经动力学启发。

神经动力学简介

神经元通过动作电位来传递信号。信号的传递和产生与细胞膜两侧的电势差相关，该电势差称作膜电位。神经元处于休息状态，其膜电位保持恒定，被称为静息电位。在动作电位到达后，膜电位会发生变化并最终衰减回静息电位。如果变化是正的，则是兴奋性信号。如果变化是负的，则是抑制性信号。

神经网络建模

将房间地图栅格化作为机器工作空间 W，障碍物在 W 中属于不可访问区域。把 W 中的可访问区域作为神经网络空间 S，神经网络中每个栅格单元都称为神经元。神经元最多与 8 个相邻的神经元直接连接，如图 fig.17。

W 空间中的未访问区域和 S 空间中相邻的神经元提供兴奋信号，W 空间中的障碍物提供抑制信号。每个神经元的相邻神经元构成子集 $R_i$ 。那么第 i 个神经元的信号值分流公式（shunting equation）表示为：

$\frac{d x_i}{dt}=-Ax_i+(B-x_i)([I_i]^++\sum^{k}_{j=1}{w_{i,j}[x_j]^+})-(D+x_i)[I_i]^- \quad (1)$

A：非负常量，表示神经信号被动衰减率，模拟了真实神经元在无外部刺激情况下会恢复到静息电位。

B：非负常量，表示神经信号上限，也就是最大兴奋值。

D：非负常量，表示神经信号下限，也就是最大抑制值。

k：第 i 个神经元的相邻神经元数目。

$I_i$ ：第 i 个神经元的外部输入信号。

$I_i = \begin{cases} E \\ -E \\ 0 \\ \end{cases}$

E 是一个远大于 B 的正常数，E 表示来自未访问区域的信号，-E 表示来自障碍物的信号。 $[I_i]^++\sum^{k}_{j=1}{w_{i,j}[x_j]^+}$ 表示兴奋信号的输入， $[I_i]^-$ 表示抑制信号的输入。

兴奋 $[a]^+$ 和抑制 $[a]^-$ 都是线性阈值函数，类似 $[a]^+=max\{a,0\}$ 和 $[a]^-=max\{-a,0\}$ ，只有达到阈值才被激活输出值，否则输出 0 表示未激活。这里模拟了真实神经元需要接收刺激达到阈值才会触发动作信号。

$w_{i,j}$ ：表示第 i 个神经元与其第 j 个相邻神经元之间的关联性权重，不同的相邻神经元影响力不同。

在论文中，关联性权重 $w_{i,j}$ 被进一步表示为 $w_{i,j}-f(|q_i-q_j|)$ ，f(a) 是关于神经元之间欧氏距离的单调递减函数。描述神经元离得越远，影响力越低。

$x_{j}$ ：表示相邻的第 j 个神经元的神经信号值。

需要注意上面的神经元信号 $x_i$ 的计算公式是对时间的微分。

通过遍历所有神经元计算根据公式(1)来更新整个神经网络信号值。论文只是说神经元通过相邻边来“传播”更新，但未说明具体方法。

下面说明下我的猜测：如图 fig.18，以一个神经元为传播半径增长步进，以机器为中心扩散传播。每次更新第 l 轮半径 $L_l$ 以内的未更新神经元 $x_k\{L_l\}$ 的信号值，首先暂存这些待更新神经元的旧信号值 $V_{old}\{x_k\{L_l\}\}$ ，然后再按照公式 (1) 更新，因为计算涉及相邻神经单元信号值，所以在计算 $x_k\{L_l\}$ 信号值时候，会使用到神经元 $x_{k+1}\{L_l\}$ 信号值。此时就要使用前面保存起来的旧信号值 $V_{old}\{x_{k+1}\{L_l\}\}$ 计算了。待这轮半径计算好后，再把数据一起更新到本轮的待更新神经元 $x_k\{L_l\}$ 中。

图 fig.18 中，第一轮传播是半径 L1 蓝色圆圈内的浅蓝色神经元需要更新；第二轮传播是半径 L2 紫色圆圈内的浅紫色神经元需要更新；第三轮传播是半径 L3 红色圆圈内的浅红色神经元需要更新；第四轮 ......

在全覆盖路径计算中，还需要考虑机器转弯，越小的转弯提供越大的兴奋信号值。

下一个机器位置记作 $p_n$ ，相邻神经元的信号值 $x_j$ ，其更新公式由 (1) 提供。 $\Delta \theta_j$ 是机器从当前神经元位置移动到相邻神经元位置的转角变换量，c 是正常数，表示转角信号值权重：

$p_n \Leftarrow x_{p_n} = \max_{1 \le j \le 8}{\{x_j + c(1-\frac{\Delta \theta_j}{\pi})\}}, \quad \Delta \theta_j \in [0,\pi] \quad (2)$

神经网络需要计算所有神经元的神经信号值，但是机器的移动仅仅考虑相邻神经元信号差，机器会朝着相邻最高信号值的方向移动。

如图 fig.19，是论文中的一个示例。A 图是一个测试环境，机器位于大概 [5,0] 的位置，此时整体的神经网络信号值分布情况（论文中称为 dynamic activity landscape）如 B 图。B 图 x y 轴对应 A 图的 x y 轴，z 轴是神经信号值，红色框出来的区域对应 A 图中障碍物区域。

需要注意到的是图 fig.19 中左侧区域是弓字型路径，这说明在公式(1)中， $w_{i,j}[x_j]^+$ 中对当前机器侧方的兴奋值输入权重更大，甚至比公式 (2) 中补充的 0 转角信号值还要高些！

如图 fig.20，要实现弓字路径，机器左侧信号值要比前方信号更加强才行。

但在最开始的规划中机器又是如何走直线的？如图 fig.21。

论文对外部兴奋信号的输入没有作具体说明，很多地方推敲起来都有疑点。

Grid-based Local Energy Minimization 基于栅格的局部能量最小算法

将地图可访问区域栅格化，栅格大小为 l。从房间角落（x，y最大或最小的可访问栅格） p0 开始遍历地图，把访问过的栅格添加到列表 L 中。从地图中选择能量（代价）最小的未访问栅格作为下一个目标：

$E(p,n)=d_t(p,n)+d_r(p,n)+N(n) \quad (3)$

$d_t(p,n)=\frac{\sqrt{(p_x-n_x)^2+(p_y-n_y)^2}}{l} \quad (4)$

$d_r(p,n)=\frac{||p_\theta-n_\theta||_{angle}}{\pi / 2} \quad (5)$

$N(n)=4-\sum_{k \in Nb_8(n)}{\frac{|k\cap L|}{2}} \quad (6)$

p = (x, y, θ) 表示当前机器人位姿，n 是候选目标栅格的坐标。

公式 (4) 计算欧式距离代价，单位是栅格单元 l。

公式 (5) 计算旋转代价，以 π/2 为单位。这里可以把除以 π/2 的动作看做缩放。因为公式 (4) (5) (6) 最后要求和，需要平衡 3 类代价的权重。 $n_\theta$ 是 p(x,y,θ) 转向 n(x,y) 的角度，如图 fig.22 所示，head 是当前机器朝向，α 是转向候选点 N 的角度，角度在 [0, π] 范围内。

公式 (6) 计算候选点附近的吸引力（其实是斥力，数值越低越优）。Nb8(n) 表示候选点 n 附近的 8 个相邻栅格，k 属于 Nb8(n)， $k \cap L$ 表示已访问的栅格， $\sum_{k \in Nb_8(n)}{\frac{|k\cap L|}{2}}$ 表示候选点 n 一半的已访问相邻栅格数量。公式 N(n) 表示一个候选点附近如果被访问过，说明这个位置附近的访问代价（能量）会比较低，那么机器去这个候选点的代价也可能比较低。公式 (6) 使得机器倾向于规划靠近已访问区域的路径。应用在清洁机器中这就是自动补扫功能了。

如图 fig.23，p 是机器当前位姿，前面灰色栅格表示障碍物。此时有 n0 和 n1 都是候选点，两个候选点的距离代价和旋转代价都一样，最后靠公式 (6) 决定下一个移动栅格：n0 的周围已访问栅格数量 4 比 n1 周围已访问栅格数量 2 多，机器下一步向 n0 移动。

算法还可以结合传感器实时感知，若候选点有碰撞风险可以跳过，选区其他候选点计算。当所有栅格被访问添加到列表 L 中时候结束算法。与神经网络规划类似，该过程也适用于实时更新中的地图，能够对移动障碍物做出反映。

论文没有说明候选点是如何选择的。当机器局部受困后，如果还要继续使用该算法脱困或转移位置，就需要适当的候选点来引导机器离开，此时候选点的选择比较讲究了。所以这个时候最简单的处理就是用 A* 规划路径脱困，到达未访问区域后再重新启用能量最小算法。不知道 ipa 中是怎么处理这种情况的。

Contour Line-based Coverage Path Planning 基于轮廓线的覆盖路径算法

基于轮廓线的覆盖算法不需要地图经过房间方向标准化处理，可以直接在原始房间地图上计算。

首先计算房间地图的 GVD 图，可以简单说 GVD 图就是房间地图中可访问区域的骨架。然后在 GVD 图中筛选出最近障碍物恰好是 2 个的 GVD 点，称为关键点，关键点往往出现在两个较大区域之间的狭窄通道处。关键点与其最近障碍物的连线得到关键线，关键线把房间地图划分出多个子区域单元。

这里有可能存在关键点密度比较高的问题，过滤多余关键点的方法可以参考 ipa 分区算法的 Voronoi 图分割部分。

如图 fig.24 中，a 图是测试环境图，b 图中的黑线是 GVD 图，c 图中空心圆点是关键点，d 图中虚线是关键线，e 图根据关键线和地图中的障碍物把房间划分出多个子区域单元，f 图把子区域单元进一步抽象做拓扑节点。

在每个子区域中，计算距离变换，表示每个可访问单元（如果是栅格地图，那么可访问单元就是栅格）到最近障碍物或区域边界的距离，从而生成一圈圈等距轮廓线。

轮廓线的间距定义为机器覆盖面积半径 2 倍： $w_c=2*r_c$ ，轮廓线级数，也就是第 i 级轮廓线的距离变换值表示为： $c_i=r_c+i*w_c, \ i \ge 0$ ，这里要增加机器覆盖面积半径的偏移，因为机器靠近边界运行时候，跟踪的路径（轮廓线）与边界距离半个机身。轮廓线级数从区域边界向区域内部增长。

轮廓线之间用类似能量最低覆盖算法中的公式 (3) 来连接，不同子区域单元的轮廓线亦是如此。

图fig.25 是用 plotlylib 显示的 costmap2d 轮廓线图，大概显示了该算法规划的覆盖路径效果。

Convex Sensor Placement Coverage Path Planning 凸感知放置覆盖路径算法

这里直接介绍算法论文《Efficient Measurement Planning for Remote Gas Sensing with Mobile Robots》的内容。

该算法使用传感器来覆盖检测或感知地图的可访问空间。

问题描述

在栅格化的房间地图中，空间 O 表示障碍物的栅格集合，空间 S 表示可通行且传感器可感知的栅格集合。机器位姿定义为 $p_j=(a_j, \theta_j), \quad a_j \in S, \quad \theta \in \Theta$ 。论文中限制了机器只能够前进和旋转，旋转角度 $\Theta \in \{0, \frac{\pi}{2}, \pi, \frac{3\pi}{2}\}$ 。这个被约束的位姿 $p_j$ 组成集合 P。

如图 fig.26 所示，小圆圈表示机器，圆圈内的箭头表示机器的有限航向角，仅上下左右四个方向。有限航向角 + 空间 S 构成了机器的有限位姿集合 P。在运动学上，机器仅支持前进和旋转，由于位姿航向角受限，所以旋转角角度也受限。其中红色曲线并非表示机器弯曲前进，只是作图避开中间的小圆圈而已，机器实际还是直线前进的。