机器人控制算法—TEB算法文献阅读Trajectory modification considering dynamic constraints of autonomous robots

摘要
经典的“弹性带”使全局规划器生成的路径相对于最短路径长度变形,而避免与障碍物接触。它没有直接考虑底层机器人的任何动态约束。
这一贡献引入了一种称为“定时弹性带”的新方法,该方法明确考虑了
根据诸如有限的机器人速度和加速度的动态约束的运动。“定时松紧带”
该问题是在一个加权多目标优化框架中提出的。大多数目标都是本地的,因为它们取决于在几个相邻的中间配置上。这导致了一个稀疏系统矩阵存在约束最小二乘优化方法。
实际机器人的仿真和实验结果表明,该方法具有鲁棒性和计算能力
有效地实时生成最佳机器人轨迹。“定时弹性带”转换由一系列路径指向一条明确依赖于时间的轨迹,从而能够实时控制机器人时间由于其模块化表述,该方法很容易扩展,以纳入额外的目标和限制。

有人翻译了,参考链接TEB论文翻译

主要写下问题部分的理解:
在这里插入图片描述
在这里插入图片描述
主要说明下公式7和公式8的惩罚函数是什么意思,如何去理解?
首先我们有如下结论:
对于路标点这种情况,距离目标点越近越好,即我们希望 d m i n , j < r p m a x d_{min,j} < r_{pmax} dmin,j<rpmax,但如果 d m i n , j > r p m a x d_{min,j} > r_{pmax} dmin,j>rpmax,就需要惩罚该约束条件了,结合公式(7)和(6)去思考, x > x r − E x>x_r-E x>xrE就有惩罚值了,可以对得上,否则,不惩罚。
在障碍物的情况下,距离目标点越远越好,即我们希望 d m i n , j > r o m i n d_{min,j} > r_{omin} dmin,j>romin,但如果 d m i n , j < r o m i n d_{min,j} < r_{omin} dmin,j<romin,就有需要惩罚该约束条件了,将其变形后得 − d m i n , j > − r o m i n -d_{min,j} > -r_{omin} dmin,j>romin,结合公式(8)和(6)去思考, x > x r − E x>x_r-E x>xrE就有惩罚值了,否则不惩罚。

——————————————分割线——————————————————
笔者用了一周时间对TEB算法研究和代码分析,在此记录下我读此算法的理解:
在这里插入图片描述
上图是TEB算法的流程图,TEB算法根据全局规划轨迹,考虑障碍物以及各种性能约束,然后使用图优化,优化出局部姿态(序列点),然后再计算出控制指令v和w,但是,如果底层执行器对v和w执行不好的话,他是没有控制理论中的负反馈调节(属于开环控制),那么此算法对执行器的精度依赖很高,

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Jack Ju

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值