规划框架 | EGO planner 规划算法流程与ROS仿真

m0_61750953

已于 2024-12-06 10:05:15 修改

阅读量3.6k

点赞数 15

分类专栏：运动规划与控制文章标签：算法

于 2024-11-30 11:57:24 首次发布

本文链接：https://blog.csdn.net/m0_61750953/article/details/144130349

版权

1 参考资料

2 前言

3 FAST-planner与EGO-planner

1 参考资料

课程与ppt：移动机器人运动规划-深蓝学院 - 专注人工智能与自动驾驶的学习平台

代码链接：EGO-planner

论文链接：https://arxiv.org/abs/2008.08835

2 前言

在机器人技术迅速发展的今天，自主导航已成为实现机器人智能化的关键技术之一。EGO planner作为一种先进的路径规划算法，在解决复杂环境下的机器人导航问题上展现出了卓越的能力。它特别适用于需要高精度避障和动态适应性的场景，如无人机、无人驾驶车辆等。本文旨在深入探讨EGO planner的核心原理、规划算法流程，并通过ROS（Robot Operating System）平台上的实际案例来展示其在仿真环境中的应用效果。希望通过本文能够让读者对EGO planner有更加全面而深刻的理解，并为相关领域的研究人员提供参考价值。

3 FAST-planner与EGO-planner

3.1 两算法的特点

前面已经介绍过FAST planner算法，FAST planner 强调快速响应和计算效率，在时间敏感的任务中表现出色。它利用高效的搜索算法来迅速生成路径，适合需要即时决策的应用场景。尽管FAST planner在速度上有优势，但在高度动态变化的环境中可能需要额外的调整以维持性能。

相比之下，EGO planner 专长于处理动态环境中的局部避障问题，通过结合全局路径规划与局部轨迹优化，能够在复杂场景下保持高效的安全性和路径质量。其自适应机制使得EGO planner能够灵活应对各种障碍物分布情况，增强了系统的鲁棒性。

3.2 两算法的对比

EGO planner是一种基于梯度的局部规划器，与FAST planner相比，最大的不同是它不依赖于ESDF，从而显著减少了计算时间。

ESDF（欧几里得符号距离场）是一种栅格地图，其中每个格子存储着该格子到最近障碍物的距离。从下图右下角的柱状图可以看出，EWOK 和 Fast-Planner 算法都需要较长的时间来构建这个 ESDF 地图。相比之下，Ego Planner 算法则不需要构建 ESDF，从而显著缩短了规划时间。

同时，在生成地图的过程中，系统仅能识别障碍物的表面，而无法感知到障碍物背后的区域或其内部结构，正如示例图所示。这意味着，在利用ESDF进行路径规划优化时，算法倾向于产生一条远离障碍物边缘的安全路径。然而，在某些情况下，比如当上方有障碍物将轨迹向下挤压，同时下方又有障碍物向上推挤时，可能会导致规划出的路径陷入障碍物之间，从而造成路径“卡住”的现象。因此，ESDF不仅面临构建耗时的问题，还存在着对于复杂避障场景处理不够灵活的局限性。