1.基本原理
人工势场法的基本原理为，根据地图内障碍物、目标点等的分布，构造一个人工势场，无人机由势能较高的位置向势能较低的位置移动。就好比是一个电场，电场内不同位置的电势能不同，对带电物体产生的力也不同，但这个力对物体运动的影响一定是由高势能到低势能的。只不过电场内的势能是物理上定义的，而人工势场的势能是根据我们的需求自己定义的。只需要定义合适的势函数，使得障碍物附近的势能大、目标点附近的势能小，就可以引导无人机飞往目标点而原理障碍物。这种方法不依赖于全局的障碍物信息，可以实现局部范围内的障碍物检测+避障。
这里使用常见的势函数定义，在python实现避障仿真，并参考文献[^1]中方法，针对人工势场法可能出现的局部极小值等问题进行改进。
2.势函数和势场
在单机飞行的避障中，对无人机产生影响的因素有障碍物和目标点，如果是多机编队还需考虑机间的影响。这里只考虑障碍物产生的斥力场和目标点产生的引力场。
常见的斥力势函数为
U
r
e
p
(
P
)
=
{
1
2
η
(
1
d
(
P
,
P
o
b
)
−
1
Q
)
2
,
i
f
d
(
P
,
P
o
b
)
≤
Q
0
,
i
f
d
(
P
,
P
o
b
)
>
Q
U_{rep}(P)= \left\{\begin{aligned} \frac{1}{2}\eta(\frac{1}{d(P,P_{ob})}-\frac{1}{Q})^2,if\quad d(P,P_{ob})\leq Q \\0,if\quad d(P,P_{ob})> Q \end{aligned}\right.
Urep(P)=⎩
⎨
⎧21η(d(P,Pob)1−Q1)2,ifd(P,Pob)≤Q0,ifd(P,Pob)>Q
其中
P
P
P为无人机当前坐标，
P
o
b
P_{ob}
Pob为被计算势函数的障碍物坐标；
Q
Q
Q为障碍物作用范围，该范围外的障碍物不会对无人机飞行产生影响；
η
\eta
η为比例系数。
常见的引力势函数为
U
a
t
t
(
P
)
=
1
2
ξ
d
2
(
P
,
P
g
o
a
l
)
U_{att}(P)=\frac{1}{2}\xi d^2(P,P_{goal})
Uatt(P)=21ξd2(P,Pgoal)
其中
P
P
P为无人机当前坐标，
P
g
o
a
l
P_{goal}
Pgoal为目标点坐标，
ξ
\xi
ξ为比例系数。
在以上势函数的定义下，物体距离目标点越近，目标点产生的引力势越小；物体距离障碍物越近，障碍物产生的引力势越大。物体向势较小的位置移动，故能接近目标点而远离障碍物。
得到势场内势的分布后，可以通过两种方法引导无人机飞行。一种为计算无人机周边位置的势，以势能最小的位置作为下一位置，由于只使用位置控制而不考虑速度和加速度，故在复杂场景下使用这种方法，得到的仿真轨迹不平滑。
另一种方法为对势能计算负梯度得到下降方向，以该方向作为加速度的方向，通过加速度-速度-位置的方法实现控制。具体计算方法为
F a t t = − ∇ U a t t ( P ) = − ξ ( P − P g o a l ) F r e p i = − ∇ U r e p ( P ) = { η ( 1 d ( P , P o b ) − 1 Q ) ⋅ 1 d ( P , P o b ) 3 ⋅ ( P − P o b ) , i f d ( P , P o b ) ≤ Q 0 , i f d ( P , P o b ) > Q F r e p = ∑ i F e q p i \begin{align} F_{att}&=-\nabla U_{att}(P)=-\xi(P-P_{goal}) \\F_{rep}^i&=-\nabla U_{rep}(P)= \left\{\begin{aligned} \eta(\frac{1}{d(P,P_{ob})}-\frac{1}{Q})·\frac{1}{d(P,P_{ob})^3}·(P-P_{ob}),if\quad d(P,P_{ob})\leq Q \\0,if\quad d(P,P_{ob})> Q \end{aligned}\right. \\F_{rep}&=\sum_i F_{eqp}^i \end{align} FattFrepiFrep=−∇Uatt(P)=−ξ(P−Pgoal)=−∇Urep(P)=⎩ ⎨ ⎧η(d(P,Pob)1−Q1)⋅d(P,Pob)31⋅(P−Pob),ifd(P,Pob)≤Q0,ifd(P,Pob)>Q=i∑Feqpi
3.方法改进
如果仅使用以上的方法，笔者遇到的主要问题有：
-
局部极小值，这是梯度下降算法中的一个常见问题。某一位置处势能低于其周边所有点，但是它并不是目标点，就好比是一个小球自上而下滚落，途中落入一个小坑，如下图所示（图片来源[^2]）。由于物体移动的趋势为向势能更低处，所以此时它无论如何是无法离开这个极小值点的。
或者是如下图所示的情况，障碍物产生的斥力和目标点产生的引力方向相反，
物体没有纵向的力，无法越过障碍物。
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-b5jM8Ghv-1658911680145)(https://cdn.jsdelivr.net/gh/kun-k/blogweb/imageimage-20220715112653149.png)]
-
目标点与障碍物过于接近时，物体总是无法到达。由于障碍物存在斥力，目标点存在引力，如果此时斥力大于引力，则物体只能在目标点附近徘徊。如果设置参数、调小引力，则可能导致物体在移动过程中与障碍物过近或撞上障碍物。
-
目标点产生的势与距离正相关，物体距离目标点很远时，引力远大于斥力，导致斥力相对小、避障效果差。
接下来针对以上3个问题设计解决方案。
-
针对局部极小值问题，首先需对是否陷入局部极小进行检测，方法为在时间 t t t内计算物体的位移，如果该位移小于某一阈值，则认为陷入局部极小值。论文[^1]中提出的方法为，计算时间 t t t内物体相对目标点的位移
V r a = Δ X t = ∣ ∣ P 0 − P G ∣ ∣ − ∣ ∣ P 1 − P G ∣ ∣ t V_{ra}=\frac{\Delta X}{t}=\frac{||P_0-P_G||-||P_1-P_G||}{t} Vra=tΔX=t∣∣P0−PG∣∣−∣∣P1−PG∣∣
当 V r a V_{ra} Vra小于一阈值时认为陷入局部极小值。笔者尝试了两种解决方案。第一种为随机游走，在陷入局部极小值后物体随意改变移动方向一次，一段时间后再次进行判断。在很多情况下，这种方法可以时物体最终走出局部极小值点，但是由于移动方向是随机的，物体往往需要徘徊一段时间后才能离开。
第二种方法为论文[^1]中的方法，首先有计划地改变斥力的方向。
F r e p − n i = [ c o s θ − s i n θ s i n θ c o s θ ] F r e p i F_{rep-n}^i= \begin{bmatrix} cos\theta&-sin\theta\\sin\theta&cos\theta \end{bmatrix}F_{rep}^i Frep−ni=[cosθsinθ−sinθcosθ]Frepi
即将每个斥力都逆时针旋转一个角度 θ \theta θ。同时对引力进行调整
K v = 3 l 2 l + V r a K d = 3 ⋅ e − ( ∣ ∣ P − P G ∣ ∣ − 0.5 ) 2 2 + 1 K e ≥ 1 F a t t − n = K v K d K e F a t t K_v=\frac{3l}{2l+V_{ra}} \\K_d=3·e^{-\frac{(||P-P_G||-0.5)^2}{2}}+1 \\K_e\geq1 \\F_{att-n}=K_vK_dK_eF_{att} Kv=2l+Vra3lKd=3⋅e−2(∣∣P−PG∣∣−0.5)2+1Ke≥1Fatt−n=KvKdKeFatt
其中， l l l为移动步长，即无斥力影响下每个时间步的位移。而 V r a V_{ra} Vra总是小于步长的，所以 K v K_v Kv总是大于1，且随着 V r a V_{ra} Vra的减小而增大。在局部极小中起到的效果为，当物体陷入局部极小， V r a V_{ra} Vra会减小， K v K_v Kv增大，进而使引力的影响增大。同时斥力的方向改变，起到的效果示意如下，图片取自参考论文中。![[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-CyolRSSR-1658911586576)(C:\Users\kun_s\AppData\Roaming\Typora\typora-user-images\image-20220715121303940.png)]](https://i-blog.csdnimg.cn/blog_migrate/0c6e1ce58f824452edfe516265e76286.png)
此外，针对 θ \theta θ的选取，这里再做一些改进。论文中选择了 θ = 60 ° \theta=60° θ=60°对上图的情况进行测试，得到的效果很好。但是在很多情况下，固定角度 θ \theta θ不能离开局部极小值，陷入局部游走，或得到的解不理想，如下图所示的情况：
左侧是在 θ = 60 ° \theta=60° θ=60°下求解的情况，右侧为 θ = − 60 ° \theta=-60° θ=−60°，显然右侧的情况更好一些。考虑到 θ \theta θ的作用为增加侧向的力，使物体沿侧向离开障碍物的趋势更大，可以根据引力和斥力的方向设计 θ \theta θ的正负。如下图所示，沿逆时针方向，引力与斥力的角度小于180°时，斥力逆时针旋转，否则顺时针旋转。
-
目标点与障碍物接近的问题，1.中的参数 K d K_d Kd可以解决该问题。
K d K_d Kd与物体距离目标点的距离相关，物体距离目标点的距离接近 0.5 0.5 0.5时， K d K_d Kd的值会比较大，而物体远离目标点时， K d K_d Kd指数减小至1。绘制 K d K_d Kd关于距离的变换图像为
故当物体距离目标点很近时，引力的作用显著增大，障碍物的作用相对减小。可以根据实际需求适当调整 K d K_d Kd中的参数。
- 目标点产生的势与距离成正相关，导致距离很远时斥力的作用相对小，避障效果差。一种常见的解决方法为，为斥力势乘以一个系数 ∣ ∣ P o b , P g o a l ∣ ∣ 2 k ||P_{ob},P_{goal}||_2^k ∣∣Pob,Pgoal∣∣2k， k k k可取2，此时相当于为斥力乘以障碍物到目标点的距离，使斥力大小也与距离相关。
4.实现过程和效果
经过以上改进后，
F
r
e
p
F_{rep}
Frep和
F
a
t
t
F_{att}
Fatt的计算公式为：
K
v
=
3
l
2
l
+
V
r
a
K
d
=
3
⋅
e
−
(
∣
∣
P
−
P
G
∣
∣
−
0.5
)
2
2
+
1
K
e
≥
1
F
a
t
t
=
−
K
v
K
d
K
e
∇
U
a
t
t
(
P
)
=
−
ξ
(
P
−
P
g
o
a
l
)
K_v=\frac{3l}{2l+V_{ra}} \\K_d=3·e^{-\frac{(||P-P_G||-0.5)^2}{2}}+1 \\K_e\geq1 \\F_{att}=-K_vK_dK_e\nabla U_{att}(P)=-\xi(P-P_{goal})
Kv=2l+Vra3lKd=3⋅e−2(∣∣P−PG∣∣−0.5)2+1Ke≥1Fatt=−KvKdKe∇Uatt(P)=−ξ(P−Pgoal)
F
r
e
p
F_{rep}
Frep的计算公式为
F
r
e
p
i
=
−
∇
U
r
e
p
(
P
)
=
{
η
(
1
d
(
P
,
P
o
b
)
−
1
Q
)
⋅
d
(
P
g
o
a
l
,
P
o
b
)
2
d
(
P
,
P
o
b
)
3
⋅
(
P
−
P
o
b
)
,
i
f
d
(
P
,
P
o
b
)
≤
Q
0
,
i
f
d
(
P
,
P
o
b
)
>
Q
F
r
e
p
=
∑
i
F
e
q
p
i
\\F_{rep}^i=-\nabla U_{rep}(P)= \left\{\begin{aligned} \eta(\frac{1}{d(P,P_{ob})}-\frac{1}{Q})·\frac{d(P_{goal},P_{ob})^2}{d(P,P_{ob})^3}·(P-P_{ob}),if\quad d(P,P_{ob})\leq Q \\0,if\quad d(P,P_{ob})> Q \end{aligned}\right. \\F_{rep}=\sum_i F_{eqp}^i
Frepi=−∇Urep(P)=⎩
⎨
⎧η(d(P,Pob)1−Q1)⋅d(P,Pob)3d(Pgoal,Pob)2⋅(P−Pob),ifd(P,Pob)≤Q0,ifd(P,Pob)>QFrep=i∑Feqpi
局部极小值下的 F r e p F_{rep} Frep为
F
r
e
p
−
n
=
[
c
o
s
θ
−
s
i
n
θ
s
i
n
θ
c
o
s
θ
]
F
r
e
p
F_{rep-n}= \begin{bmatrix} cos\theta&-sin\theta\\sin\theta&cos\theta \end{bmatrix}F_{rep}
Frep−n=[cosθsinθ−sinθcosθ]Frep
展示几组结果：
 |  |
|---|---|
 |  |
将避障与之前已经实现的轨迹规划结合，得到的结果为
 |  |
|---|
5.代码
'''
python_avoid_APF.py
人工势场法避障的python实现
'''
import math
import matplotlib.pyplot as plt
import numpy as np
import cv2
'''
P 初始位置
V 初始速度
P_aim 目标点
mymap 储存有障碍物信息的地图
Kg,Kr 避障控制器参数（引力，斥力）
Q_search 搜索障碍物距离
epsilon 误差上限
Vl 速率上限
Ul 控制器输出上限
dt 迭代时间
'''
def avoid_APF(P_start, V_start, P_aim, mymap, Kg=0.5, kr=20,
Q_search=20, epsilon=2, Vl=2, Ul=2, dt=0.2):
def distance(A, B):
return math.sqrt((A[0] - B[0]) ** 2 + (A[1] - B[1]) ** 2)
def myatan(a, b):
if a == 0 and b == 0:
return None
if a == 0:
return math.pi / 2 if b > 0 else math.pi * 3 / 2
if b == 0:
return 0 if a > 0 else -math.pi
if b > 0:
return math.atan(b / a) if a > 0 else (math.atan(b / a) + math.pi)
return math.atan(b / a + 2 * math.pi) if a > 0 else math.atan(b / a) + math.pi
def isClockwise(a, b):
da = b - a
if 0 < da < math.pi or -math.pi * 2 < da < -math.pi:
return False
return True
# 读取初始状态
P_start = np.array(P_start) # 初始位置
pos_record = [P_start] # 记录位置
V_start = np.array(V_start).T # 初始速度
# 地图尺寸
size_x = mymap.shape[0]
size_y = mymap.shape[1]
# 设置绘图参数
plt.axis('equal')
plt.xlim(0, size_x)
plt.ylim(0, size_y)
# 绘制地图（障碍物和航路点）
for i in range(mymap.shape[0]):
for j in range(mymap.shape[1]):
if mymap[i][j] == 0:
plt.plot(i, j, 'o', c='black')
plt.plot([P_start[0], P_aim[0]], [P_start[1], P_aim[1]], 'o')
# 计算周边障碍物搜素位置
direction_search = np.array([-2, -1, 0, 1, 2]) * math.pi / 4
# 开始飞行
pos_num = 0 # 已经记录的位置的总数
P_curr = P_start # 当前位置
V_curr = V_start
ob_flag = False # 用于判断局部极小值
while distance(P_curr, P_aim) > epsilon:
Frep = np.array([0, 0]) # 斥力
angle_curr = myatan(V_curr[0], V_curr[1])
for dir in direction_search:
angle_search = angle_curr + dir
for dis_search in range(Q_search):
P_search = [int(P_curr[0] + dis_search * math.sin(angle_search)),
int(P_curr[1] + dis_search * math.cos(angle_search))]
if not (0 <= P_search[0] < size_x and # 超出地图范围，地图内障碍，均视作障碍物
0 <= P_search[1] < size_y and
mymap[int(P_search[0])][int(P_search[1])] == 1):
d_search = distance(P_curr, P_search) # 被搜索点与当前点的距离
Frep = Frep + \
kr * (1 / d_search - 1 / Q_search) / (d_search ** 3) * \
(P_curr - P_search) * (distance(P_search, P_aim) ** 2)
break
Fatt = -Kg * (P_curr - P_aim) # 计算引力
if pos_num >= 1:
# 计算上两个时刻物体相对终点的位移，以判断是否陷入局部极小值
p0 = pos_record[pos_num - 1]
p1 = pos_record[pos_num - 2]
Vra = (distance(p0, P_aim) - distance(p1, P_aim)) / dt
if abs(Vra) < 0.6 * Vl: # 陷入局部极小值
if ob_flag == False:
# 之前不是局部极小状态时，根据当前位置计算斥力偏向角theta
angle_g = myatan(Fatt[0], Fatt[1])
angle_r = myatan(Frep[0], Frep[1])
if angle_r == None or angle_g == None:
print('111')
if isClockwise(angle_g, angle_r):
theta = 15 * math.pi / 180
else:
theta = -15 * math.pi / 180
ob_flag = True
# 之前为局部极小，则继续使用上一时刻的斥力偏向角theta
Frep = [math.cos(theta) * Frep[0] - math.sin(theta) * Frep[1],
math.sin(theta) * Frep[0] + math.cos(theta) * Frep[1]]
else: # 离开局部极小值
ob_flag = False
l = Vl
Kv = 3 * l / (2 * l + abs(Vra))
Kd = 15 * math.exp(-(distance(P_curr, P_aim) - 3) ** 2 / 2) + 1
Ke = 3
Fatt = Kv * Kd * Ke * Fatt # 改进引力
U = Fatt + Frep # 计算合力
if np.linalg.norm(U, ord=np.inf) > Ul: # 控制器输出限幅
U = Ul * U / np.linalg.norm(U, ord=np.inf)
V_curr = V_curr + U * dt # 计算速度
if np.linalg.norm(V_curr) > Vl: # 速度限幅
V_curr = Vl * V_curr / np.linalg.norm(V_curr)
P_curr = P_curr + V_curr * dt # 计算位置
print(P_curr, V_curr, distance(P_curr, P_aim))
pos_record.append(P_curr)
pos_num += 1
pos_record = np.array(pos_record).T
plt.plot(pos_record[0], pos_record[1], '--')
plt.show()
if __name__ == "__main__":
# 读取地图图像并二值化
img = cv2.imread('map.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, dst = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)
dst = cv2.dilate(dst, None, iterations=1)
dst = cv2.erode(dst, None, iterations=4) / 255
avoid_APF([0, 0], [1, 1], [80, 80], dst)
代码中参数比较多，可能会有些乱，但是我都增加了注释，思路也还可以，和上面说明的算法原理都是一致的。地图我使用Windows画图工具简单绘制，黑色表示障碍物。
目前还存在一些避障失败的情况，也没有设置安全距离，比较刁钻的情况下可能会直接跨越障碍物，之后还会继续调试改进。更加复杂的情况可以则使用路径规划，设置更多航路点再进行飞行。
也还没有实现三维空间内的避障，但是根据算法原理来看，应该是可以直接扩展到三维空间内的，这部分等拿到AirSim中无人机障碍物检测的接口后再继续修改调试。
参考来源：
[1] Li H . Robotic Path Planning Strategy Based on Improved Artificial Potential Field[C]// 2020 International Conference on Artificial Intelligence and Computer Engineering (ICAICE). 2020.
[2]https://mp.weixin.qq.com/s/JwpQAXDw9Rt1vlDDIZJMXA
扫一扫
979
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
