路径规划之CVM&DWA类算法分析

  关注同名微信公众号“混沌无形”，阅读更多有趣好文！

原文链接：机器人空间采样算法研究现状简述（包含原文PDF百度云下载链接）

空间采样算法按照采样空间不同，可分为：状态空间采样和运动空间采样。如图 2.1所示，基于状态空间采样的算法能够在大面积、高纬度的空间中快速生成路径，包括RRT和PRM类算法等，具有概率完备性，其主要步骤包括随机采样、度量连接、碰撞检测和路径查询。基于运动空间采样的算法则在速度空间等距采样，通过评价函数选择最佳控制指令，驱动机器人运动，主要包括CVM类算法及DWA类算法等。

（请横屏看图）

图 2.1 空间采样算法发展路线概况

 从上述章节分析可以，这四类空间采样算法各有各的特点，但总体而言，PRM类和RRT类算法思路很接近，CVM类和DWA类算法思路很接近，主要区别是在部分细节处理方面。所以，主要分为下面两类算法进行分析： 

CVM&DWA类 

CVM&DWA类算法的核心思想是基于运动空间进行采样，并结合运动学模型生成预测轨迹，评估、选择最合适的轨迹。 

• 主要优点：模型简洁，实时性好（低维空间的计算量较小），严格按照运动学模型计算，生成的轨迹质量高，且动态环境避障性能强（实时性好的表现）。 

• 主要缺点：基于运动学模型生成的轨迹长度短且单一，且前瞻性不足（轨迹长度偏短的表现），因为轨迹长度延长后会产生卷曲的现象，如图 3.2所示。

图 3.2 DWA生成的候选轨迹（图片来源：https://www.semanticscholar.org/paper/A-Dynamic-Window-Approach-with-Collision-Cone-for-Guan-Wen/8e2bdca7daa3938ba8277a5a7df606be84db63bc）

从上述分析可知，PRM&RRT类算法是在状态空间中采样，搜索最合适的路径，进而导出机器人在运动空间的运动参数；而CVM&DWA类算法是在运动空间中采样，生成机器人在状态空间的轨迹，进而选择最合适的轨迹，轨迹规划的目的之一就是找到一条运动空间和轨迹空间间的连接通道，让机器人在运动空间和状态空间均满足自身和环境的约束。 

总体而言，空间采样算法已经能够在诸多场景下的规划生成一条无碰撞路径，比如DWA算法就被作为ROS navigation stack中local planner的默认算法，RRT算法主要应用于高维度空间的路径规划，如无人机、机械臂等领域。 

随着诸多学者的改进升级，空间采样算法的实时性、轨迹质量和动态适应性逐渐提升，但多数算法仍存在路径质量差、未考虑动力学约束等问题，这些问题也导致相关算法不能直接应用于实际机器人运动场景。

 

 精彩的理论论证过程见原文链接（含全文下载链接）

由于网页排版效果一般，所以笔者按照期刊论文版式为小伙伴们整理了原文PDF，方便收藏和回味。

原文链接：（包含原文PDF百度云下载链接）
CSDN下载链接：移动机器人路径规划之一空间采样算法

如果喜欢的话，可以关注我，阅读更多有趣好文！

微信公众号：混沌无形

知乎号：混沌无形

B站：混沌无形R