总结课程《深蓝学院移动机器人路径规划》
Kinodynamic : Kinematic + Dynamic
1.State Lattice Planning
汽车质点模型不满足动力学约束,需要满足两点之间是可行的运动连接。
1.离散机器人控制空间
2.离散机器人状态空间
考虑动力学约束后,建立一个机器人模型,由状态和输入描述。
S
˙
=
f
(
s
,
u
)
\dot{S}=f(s,u)
S˙=f(s,u)
当给系统不同的输入,持续一定的时间T。(离散机器人控制空间)
(没有任务导向性,效率相对低。)
当选择两个状态,找到两个状态之间的输入控制(u,T)。(离散机器人状态空间)
(导向性,难以实现)
Sample in control space
当确定末状态后,解算中间状态。状态转移方程:
2.1 Boundary Value Problem
2.2 Optimal Boundary Value Problem (OBVP)
从一个状态到另一个状态,使得其
J
k
J_k
Jk最小值。
J
∑
=
∑
k
=
1
3
J
k
,
J
k
=
1
T
∫
0
T
j
k
(
t
)
2
d
t
J_{\sum}=\sum_{k=1}^3{J_k},J_k={1 \over T}\begin{array}{cc} \int_0^T{ j_k(t)^2 dt }\end{array}
J∑=k=1∑3Jk,Jk=T1∫0Tjk(t)2dt状态:
S
k
=
(
p
k
,
v
k
,
a
k
)
S_k=(p_k,v_k,a_k)
Sk=(pk,vk,ak) ,输入
u
k
=
j
k
u_k=j_k
uk=jk
系统模型:
S
k
˙
=
f
s
(
s
k
,
u
k
)
=
(
v
k
,
a
k
,
j
k
)
\dot{S_k}=f_s(s_k,u_k)=(v_k,a_k,j_k)
Sk˙=fs(sk,uk)=(vk,ak,jk)
利用极小值原理:
引入协态costate:
λ
=
(
λ
1
,
λ
2
,
λ
3
)
\lambda=(\lambda_1,\lambda_2,\lambda_3)
λ=(λ1,λ2,λ3),由系统变量决定。
定义Hamiltonian function:
H
(
s
,
u
,
λ
)
=
1
T
j
2
+
λ
T
f
s
(
s
,
u
)
H(s,u,\lambda)={1\over T}j^2+\lambda^Tf_s(s,u)
H(s,u,λ)=T1j2+λTfs(s,u)得到最优的状态量
s
s
s,最优输入
u
u
u。
3.Planning in Frenet-serret Frame
4.混合A* (Hybrid A*)
在每个栅格中保证只存在一个节点。
启发函数的设计:
5.基于运动学约束的RRT*
1.(Sample)在整个状态空间采样,包括位置和速度。
2.(Near)利用optimal control将新找到的节点和邻近节点进行OBVP连接。
3.(ChooseParent)以最优控制cost指标为半径的球,范围内的节点。
4.(find near nodes efficiently)后向可达集
5.(Rewire)前向可达集