本文主要HybirdAStar算法基本原理。
总结
HybridAStar算法主要是在A*基础上考虑车辆动力学相关的搜索算法,其放弃了A*中对搜索空间离散化,利用Dubins或者Reeps-Shepp来考虑自车能够前进的位置,使得规划的轨迹满足车辆的非完整性约束,但是该Hybrid A*牺牲了算法的完备性和最优性。Hybrid A*算法主要包括(1)在连续空间上扩张节点搜索最短路径,(3)路径平滑。
Hybrid A*算法与A*算法的差异对比如下表所示
A* | Hybrid A* |
---|---|
离散方法(Discrete method) | 连续方法Continuous method |
最优启发(Optimistic heuristic) | 最优启发(Optimistic heuristic) |
完备性(Completeness) | 非完备性(Non Completeness) |
车辆不可行(Non drivable) | 车辆可行(Drivable) |
最优结果(Optimal solution) | 非最优结果(Non optimal solution) |
如下图所示,最左侧图是A*算法的结果,最右侧是Hybrid A*算法。(中间为A*算法变种)
Hybrid A*算法结构与A*算法流程极其类似,核心区别在于(1)生成子节点,(2)启发式函数设计。其伪代码如下
车辆非完整性约束
假设简单单车运动学模型
x ˙ = v sin ( θ ) y ˙ = v cos ( θ ) θ ˙ = ω \begin{aligned} \dot{x} &= v\sin(\theta) \\ \dot{y} &= v\cos(\theta) \\ \dot{\theta} & = \omega \end{aligned} x˙y˙θ˙=vsin(θ)=vcos(θ)=ω
可以发现车辆运动需要满足下列的条件:
x ˙ cos ( θ ) − y ˙ sin ( θ ) = 0 \dot{x}\cos(\theta) - \dot{y}\sin(\theta)=0 x˙cos(θ)−y˙sin(θ)=0
节点扩展
节点扩展主要是利用不同转弯角度生成不同的短距离节点,首先会根据局部轨迹是否碰撞决定是否评估该节点。如果无碰撞,可以利用生成节点的弧长来决定cost,当然也可以考虑转向带来的cost和行进方向变化的cost。
对于每个子节点,考虑节点到达的格子,
- 如果节点到达格子,且该格子不在closed set,表明这个格子还未被扩展,那么继续扩展评估。
- 如果格子不在open set (表明这个格子还未被之前任意节点扩展到达)且如果父节点的cost-so-far加上扩展到子节点到当前格子的cost小于当前节点的cost-so-far, 该新节点被认为是父节点的子节点, 同时更新g函数,并利用启发式函数估计cost-to-come,同时把子节点加入到open set.
启发式函数
Hybrid A*中使用两种启发式函数: constrained heuristic和unconstrained heuristic,其代表不同的节点扩展(expansion)的方式。
Constrained heuristic考虑车辆非完全性限制忽略环境障碍物。该启发式函数考虑车辆当前方向角(heading)和转向半径(turning radius),为了自车接近目标节点时候能够保持正确的姿态。常用的启发式函数值可以使用Dubins和Reeps-Shepp曲线计算两点之间的最短距离,所以该启发式函数式是可接受的(admissible)。
Unconstrained heuristic只考虑障碍物忽视车辆非完全性限制。该启发式函数可以完全基于当前点到目标点的最短路径距离计算。常用的启发式函数可以使用欧式距离等,所以该启发式函数也是可接受的(admissible)。
因为两个启发式函数都是可接受的,只需要去两者之间的最大值作为最终的启发式函数值。
h c ( x ) = max { l ( x ) , d ( x , x g ) } h_c(x)=\max\{l(x), d(x, x_g)\} hc(x)=max{
l(x),d(x,xg)}
其中, l ( x ) l(x) l(x)为扩展节点距离函数, d ( x , x g ) d(x,x_g) d(x,xg)为当前节点到目标节点之间的函数。
为了提高算法的效率,该启发函数值可以被存在查找表(lookup table)。
路径平滑
虽然Hybrid A*规划出来的路径是可执行的,但是存在一些非必须的转向操作,因此需要对Hybrid A*规划的结果进行路径平滑来获取更平滑和安全的路径。论文中使用的是梯度下降平滑器,其目标函数可以表示为
P = ω