Minimum Snap轨迹规划详解（一）

转载自https://blog.csdn.net/q597967420/article/details/76099491

1.轨迹规划是什么？

在机器人导航过程中，如何控制机器人从A点移动到B点，通常称之为运动规划。运动规划一般又分为两步：

• 路径规划：在地图（栅格地图、四\八叉树、RRT地图等）中搜索一条从A点到B点的路径，由一系列离散的空间点（waypoint）组成。
• 轨迹规划：由于路径点可能比较稀疏、而且不平滑，为了能更好的控制机器人运动，需要将稀疏的路径点变成平滑的曲线或稠密的轨迹点，也就是轨迹。

2.轨迹是什么？

轨迹一般用n阶多项式(polynomial)来表示，即
$$p(t)=p_0+p_{1}t+p_2{t}^2...+p_n{t}^n=\sum _{i=0}^n{p}_i{t}^i$$
其中 $p_0,p_1,\cdots ,p_n$为轨迹参数（n+1个），设参数向量 $p=[p_0,p_1,\cdots ,p_n{]}^T$，则轨迹可以写成向量形式，
$$p(t)=[1,t,t^2,...,t^n]\cdot p$$
对于任意时刻 $t$，可以根据参数计算出轨迹的位置P(osition)，速度V(elocity)，加速度A(cceleration)，jerk，snap等。
$$\begin{array}{rl}v(t)& =p^{\prime }(t)=[0,1,2t,3t^2,4t^3,\cdots ,n{t}^{n-1}]\cdot p\\ a(t)& =p^{\prime \prime }(t)=[0,0,2,6t,12t^2,\cdots ,n(n-1)t^{n-2}]\cdot p\\ jerk(t)& =p^{(3)}(t)=[0,0,0,6,24t,\cdots ,\frac{n!}{(n-3)!}{t}^{n-3}]\cdot p\\ snap(t)& =p^{(4)}(t)=[0,0,0,0,24,\cdots ,\frac{n!}{(n-4)!}{t}^{n-4}]\cdot p\end{array}$$
一个多项式曲线过于简单，一段复杂的轨迹很难用一个多项式表示，所以将轨迹按时间分成多段，每段各用一条多项式曲线表示，形如：
$$\begin{array}{r}p(t)=\{\begin{array}{l}[1,t,t^2,\cdots ,t^n]\cdot p_1{t}_0⩽t<t_1\\ [1,t,t^2,\cdots ,t^n]\cdot p_2{t}_1⩽t<t_2\\ \cdots \\ [1,t,t^2,\cdots ,t^n]\cdot p_k{t}_{k-1}⩽t<t_k\end{array}\end{array}$$
$k$为轨迹的段数，$p_i=[p_{i0},p_{i1},\cdots ,p_{in}{]}^T$为第$i$段轨迹的参数向量。

此外，实际问题中的轨迹往往是二维、三维甚至更高维，通常每个维度单独求解轨迹。

3.Minimum Snap轨迹规划

轨迹规划的目的：求轨迹的多项式参数$p_1,\cdots ,p_k$。
我们可能希望轨迹满足一系列的约束条件，比如：希望设定起点和终点的位置、速度或加速度，希望相邻轨迹连接处平滑（位置连续、速度连续等），希望轨迹经过某些路径点，设定最大速度、最大加速度等，甚至是希望轨迹在规定空间内（corridor）等等。
通常满足约束条件的轨迹有无数条，而实际问题中，往往需要一条特定的轨迹，所以又需要构建一个最优的函数，在可行的轨迹中找出“最优”的那条特定的轨迹。
所以，我们将问题建模（fomulate）成一个约束优化问题，形如：
$$\begin{array}{rl}min& f(p)\\ s.t.& A_{eq}p=b_{eq}\\ & A_{ieq}p⩽b_{ieq}\end{array}$$

这样，就可以通过最优化的方法求解出目标轨迹参数 $p$。注意：这里的轨迹参数$p$是多端polynomial组成的大参数向量 $p=[p_1^T,p_2^T,...,p_k^T{]}^T$。
我们要做的就是： 将优化问题中的$f(p)$函数和$A_{eq},b_{eq},A_{ieq},b_{ieq}$参数给列出来，然后丢到优化器中求解轨迹参数$p$。
Minimum Snap顾名思义，Minimum Snap中的最小化目标函数是Snap（加加加速度），当然你也可以最小化Acceleration（加速度）或者Jerk（加加速度），至于它们之间有什么区别，quora上有讨论。一般不会最小化速度。
$$\begin{array}{rl}minimumsnap:& \min f(p)=\min (p^{(4)}(t){)}^2\\ minimumjerk:& \min f(p)=\min (p^{(3)}(t){)}^2\\ minimumacce:& \min f(p)=\min (p^{(2)}(t){)}^2\end{array}$$

4. 一个简单的例子

给定包含起点终点在内的k+1个二维路径点$p{t}_0,p{t}_1,...,p{t}_k，p{t}_i=(x_i,y_i)$，给定起始速度和加速度为$v_0,a_0$，末端加速度为$v_e,a_e$，给定时间T，规划出经过所有路径点的平滑轨迹。

a. 初始轨迹分段与时间分配

根据路径点，将轨迹分为k段，计算每段的距离，按距离平分时间T(匀速时间分配)，得到时间序列$t_0,t_1,...,t_k$。对x,y维度单独规划轨迹。后面只讨论一个维度。
时间分配的方法：匀速分配或梯形分配，假设每段polynomial内速度满足匀速或梯形速度变化，根据每段的距离将总时间T分配到每段。
这里的轨迹分段和时间分配都是初始分配，在迭代算法中，如果corridor check和feasibility check不满足条件，会插点或增大某一段的时间，这个后续细说。

b.构建优化函数

Minimum Snap的优化函数为：
$$\begin{array}{rl}J=& \min {\int }_0^T(p^{(4)}(t){)}^{2}dt=\min \sum _{i=1}^k{\int }_{t_{i-1}}^{t_i}(p^{(4)}(t){)}^{2}dt\\ & =\min \sum _{i=1}^k{\int }_{t_{i-1}}^{t_i}([0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}]\cdot p{)}^T[0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}]\cdot pdt\\ & =\min \sum _{i=1}^k{p}^T{\int }_{t_{i-1}}^{t_i}[0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}{]}^T[0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}]dtp\\ & =\min \sum _{i=1}^k{p}_i^T{Q}_i{p}_i\end{array}$$
其中，
$$\begin{array}{rl}{Q}_i& ={\int }_{t_{i-1}}^{t_i}[0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}{]}^T[0,0,0,0,24,...,\frac{n!}{(n-4)!}{t}^{n-4}]dt\\ & =\left[\begin{array}{cc}{0}_{4\times 4}& 0_{4\times (n-3)}\\ 0_{(n-3)\times 4}& \frac{r!}{(r-4)!}\frac{c!}{(c-4)!}\frac{1}{(r-4)+(c-4)+1}(t_i^{(r+c-7)}-t_{i-1}^{(r+c-7)})\end{array}\right]\end{array}$$
注意：r,c为矩阵的行索引和列索引， 索引从0开始，即第一行r=0。
$$Q=\left[\begin{array}{cccc}{Q}_1& & & \\ & Q_2& & \\ & & \ddots & \\ & & & Q_k\end{array}\right]$$
目标函数
$$\min p^{T}Qp$$
可以看到，问题建模成了一个数学上的二次规划（Quadratic Programming，QP）问题。

c. 构建等式约束方程

• 设定某一个点的位置、速度、加速度或者更高为一个特定的值，可以构成一个等式约束。例如：
  $$\begin{array}{r}位置约束：[1,t_0,t_0^2,...,t_0^n,\underset{(k-1)(n+1)}{\underbrace{0...0}}]p=p_0\\ 速度约束：[0,1,2t_0,...,n{t}_0^{n-1},\underset{(k-1)(n+1)}{\underbrace{0...0}}]p=v_0\\ 加速度约束：[0,0,2,...,n(n-1)t_0^{n-2},\underset{(k-1)(n+1)}{\underbrace{0...0}}]p=a_0\end{array}$$
  由于要过中间点，对中间点的位置也构建等式约束，方法同上。
• 相邻段之间的位置、速度、加速度连续可以构成一个等式约束，例如第i、i+1段的位置连续构成的等式约束为
  $$[\underset{(i-1)(n+1)}{\underbrace{0...0}},1,t_i,t_i^2,...,t_i^n,-1,-t_i,-t_i^2,...,-t_i^n,\underset{(k-i-1)(n+1)}{\underbrace{0...0}}]p=0$$
  速度、加速度连续类似，不再罗列。
  合并所有等式约束，得到
  $${\left[\begin{array}{c}1,t_0,t_0^2,...,t_0^n,\underset{(k-1)(n+1)}{\underbrace{0...0}}\\ 0,1,2t_0,...,n{t}_0^{n-1},\underset{(k-1)(n+1)}{\underbrace{0...0}}\\ 0,0,2,...,n(n-1)t_0^{n-2},\underset{(k-1)(n+1)}{\underbrace{0...0}}\\ ⋮\\ \underset{(i-1)(n+1)}{\underbrace{0...0}},1,t_i,t_i^2,...,t_i^n,\underset{(k-i)(n+1)}{\underbrace{0...0}}\\ ⋮\\ \underset{(k-1)(n+1)}{\underbrace{0...0}},1,t_k,t_k^2,...,t_k^n\\ \underset{(k-1)(n+1)}{\underbrace{0...0}},0,1,2t_k,...,n{t}_k^{n-1}\\ \underset{(k-1)(n+1)}{\underbrace{0...0}},0,0,2,...,n(n-1)t_k^{n-2}\\ \underset{(i-1)(n+1)}{\underbrace{0...0}},1,t_i,t_i^2,...,t_i^n,-1,-t_i,-t_i^2,...,-t_i^n,\underset{(k-i-1)(n+1)}{\underbrace{0...0}}\\ \underset{(i-1)(n+1)}{\underbrace{0...0}},0,1,2t_i,...,n{t}_i^{n-1},-0,-1,-2t_i,...,-n{t}_i^{n-1},\underset{(k-i-1)(n+1)}{\underbrace{0...0}}\\ \underset{(i-1)(n+1)}{\underbrace{0...0}},0,0,2,...,\frac{n!}{(n-2)!}{t}_i^{n-2},-0,-0,-2,...,-\frac{n!}{(n-2)!}{t}_i^{n-2},\underset{(k-i-1)(n+1)}{\underbrace{0...0}}\end{array}\right]}_{(4k+2)\times (n+1)k}=\left[\begin{array}{c}{p}_0\\ v_0\\ a_0\\ ⋮\\ p_i\\ ⋮\\ p_k\\ v_k\\ a_k\\ 0\\ ⋮\\ 0\end{array}\right]$$

等式约束个数=3（起始PVA）+k-1（中间点的p）+3（终点pva）+3(k-1)（中间点PVA连续）=4k+2

d. 构建不等式约束

不等式约束与等式约束类似，也是设置某个点的P、V、A小于某一特定值，从而构建$A_{ieq}p=b_{ieq}$，不等式约束一般是在corridor中用的比较多，这里暂时先不使用不等式约束。

e. 求解

利用QP求解器进行求解，在MATLAB中可以使用quadprog() 函数，C++的QP求解器如OOQP，也可以自己去网上找。

优化列表：

min：snap
等式约束：起点pva，终点pva，中间点的p，中间点pva连续
不等式约束：无

生成x、y两个维度的轨迹，合并后如下图所示。包含起始终止共5个点，用四段poly来描述，中间点也就是poly之间的交界点。

5.轨迹怎么用？（轨迹跟踪）

至此，我们已经求得了轨迹（很多段高阶多项式的参数），但怎么用来控制机器人运动呢？轨迹跟踪是：根据轨迹和机器人当前状态（当前位置、速度、加速度），输出机器人控制指令（速度、加速度、角速度等），控制机器人沿着轨迹运动。有很多种跟踪方法

• 最简单的跟踪方法是位置控制：计算轨迹上离当前位置最近的点，以最近点为期望位置做位置控制，即$v=k_p(p_{nearest}-p_{cur})$
• Minimum Snap中的前馈控制：计算轨迹上离最近点的（位置$p_e$、速度$v_e$、加速度$a_e$），
  $$\begin{array}{rl}速度指令：& v=ve\\ 加速度前馈：& a=a_e+k_p(p_e-p_{cur})+k_d(v_e-v_{cur})\end{array}$$

6. 小结

• 轨迹规划问题通常建模成一个带约束的二次规划（QP）问题来求解，优化函数可以是snap、jerk、acceleration及它们的组合或其他任何能够formulate成$p^{T}Qp$形式的函数，约束包括等式约束和不等式约束。
• 轨迹规划中默认时间t已知，通常根据期望速度和总路程计算一个总时间T，再按照匀速运动和梯形速度曲线分配到每段polynomial上。
• 上面例子中规划出的轨迹并不是很好，有以下问题：
  • a) 轨迹与路径相差有点大，而且在第三个waypoint处会有打结的现象；
  • b) y轴的加速度非常大（接近$20m/s^2$），超过了机器人的最大加速度。实际轨迹需要进行feasibility check（可行性检测），确保满足工程可行性，比如最大速度、最大角速度限制等。
• 这两个问题的根本原因在于时间给的不合理，时间分配是轨迹规划中比较蛋疼的问题，给的时间太小，速度、加速度自然就很大，两段时间分配不当就会生成打结的轨迹。下一节，专门讨论时间分配问题。

参考文献

• Richter C, Bry A, Roy N. Polynomial trajectory planning for aggressive quadrotor flight in dense indoor environments[M]//Robotics Research. Springer International Publishing, 2016: 649-666.
• Vijay Kumar的一系列论文：Mellinger D, Kumar V. Minimum snap trajectory generation and control for quadrotors[C]//Robotics and Automation (ICRA), 2011 IEEE International Conference on. IEEE, 2011: 2520-2525.