路径规划与优化学习系列（二）---PaperLearning1

AAPF-RRT*算法-2021十月论文

来源：一种基于动态步长的AAPF-RRT*移动机器人路径规划新算法_臧强

传统算法缺点

• APF传统人工势场法缺点：引力和斥力过大

  • 当 当前点 距离 目标点 较远的时候，引力过大会使算法运行进入局部值，导致找不到最优路线的问题

• RRT*缺点：结点盲目拓展和收敛速率慢

  • 父节点的重新选取存在较大随机性，不能快速达到最优

本算法特点

• 通过公式的优化，解决了引斥力过大、目标点不可达的问题
• 动态步长

重点介绍

自适应人工势场

APF缺点原理解释

• 原理如下：

定义了引力势场和引力函数（斥力势场同理）：

• q是当前位置，qgoal为目标位置
• lou 是欧几里得距离，故 lou 过大，引力和斥力都过大

AAPF改进原理一：势场函数

• 本质：简单的分段函数+阈值处理->专业术语（自适应变换）
  

• 当距离大于定长d*的时候，引力和斥力函数值是定值；反之则是原来公式计算值

AAPF改进原理二：目标点可达

• 0<n<1

F1->0,F2->无穷大，即指向目标点的引力为无穷大，必然会时无人机或者机器人驶向目标点

• n=1同理
• n>1同理

算法核心思想介绍

两个核心算法的结合

• 虽然通过中心选择父节点和重新布线的方法，在一定程度上减少了路径代价和冗余通路，但是目标点没有对树的拓展方向产生导向的作用

• 因此使用势场法使树的拓展产生导向效果

具体结合和公式原理

• 保留树的拓展、父节点、重新布线

• 在目标点建立自适应的引力势场，吸引机器人过去

• 在障碍物处建立自适应斥力势场，避开障碍

**这里发现了本算法的一个问题：就是random是怎么决定的，文中没有说明，这不是也存在较大的随机性吗？？？ **

动态步长

优点：

• 最优路径
• 路径平滑性
• 动态步长随着拓展树和障碍物的距离而变化，配合AAPF的直接导向优势，能达到最优和平滑的特点

原理

• 当距离障碍物远时，选择固定步长

• 当距离障碍物近视，选择缩小步长

lamda是调节因子，控制步长的调节幅度，lou是树结点和障碍之间的预设安全距离

lamda需要不断测试和调整

伪代码

• 起始点和目标点设置、设定参数变量、初始化拓展树
• 随机状态点获取后确定拓展树的最近结点
• 在目标点建立自适应引力势场、在障碍物建立自适应斥力势场，计算最近结点受到的合外力
• 确定树的搜索方向，计算最近结点道障碍物的最近距离
• 判断最近距离是否小于预设安全距离，从而决定是否选择动态部长
• 障碍物判断
• 新节点添加、父节点选取、结点重新布线
• 判断是否到达目标点

效果对比

• 明显更加平滑和优化

• 运行时间更加短

• 大大减少了生成结点的个数

实践

• 已有RRT*算法的代码，还未添加新思想的代码，后续补充

• 有待多次纵横实验：不同算法效果对比、不同环境运行的效率总结

总结

1.创新点：

• 引力和斥力过大的解决
• 树拓展盲目性解决
• 路径平滑性和灵活度

2.问题：

• random的随机性怎么优化？

• 这只是在传统算法上的改进，只适用于理论研究或者全局路径的规划，飞行过程中的局部动态规划不适用

现有的路径规划算法论文的创新点从两个方面入手：

• 算法收敛速度：例如用启发式算法（遗传、粒子群…）
• 使树拓展有明显效果的导向性：例如上述的势场…等等
• 最优路径

是在传统算法上的改进，只适用于理论研究或者全局路径的规划，飞行过程中的局部动态规划不适用

现有的路径规划算法论文的创新点从两个方面入手：

• 算法收敛速度：例如用启发式算法（遗传、粒子群…）
• 使树拓展有明显效果的导向性：例如上述的势场…等等
• 最优路径

继续加油冲，多多总结论文，积累经验，寻找自己的创新点！！！