机器人规划控制——工程化——心得日记-20240510

近一周一直在调试机器人过迷宫形路线,这种路线特点是障碍物之间距离较小且障碍物也比较多,基本机器人会一直发生干涉检测,请求全局路径,然后再控制机器人前进。

遇到一个特别有趣的问题,当然最后查出来原因也感觉比较纯,就是我们机器人在行进过程中,会当前要走的路径与周围障碍物发生了干涉检测即有碰撞风险,然后会请求全局规划,我们注意到计算的局部目标点一直在远处挪,突然某一贞,生了局部的路线,即全局的路线不是从起点开始的,而是从另外很远的地方开始,但终点是对的,这样全局规划的线是错误的,但是全局规划器返回的状态是success,那局部控制器就跟踪这个有问题的全局线,进而导致机器人撞到障碍物了。

上述是现象的描述,下面是解决问题过程中的尝试:
(1) 阶段一:我一开始怀疑是当前路线和全局路线合并时处理的问题,不认为是potential A规划有问题,然后我在代码中加了potential A生成的全局路径初始2个坐标打印,然后重新复现,采集数据,并分析。注意到确实是全局输出的结果不对,a规划路线的初始位置和当前机器人位置不一致。排除了路线合并时的处理问题。
(2)阶段2:我怀疑是a
算法在计算过程中,由于某种原因,导致了传入的初始位置坐标错误,在在代码中添加相关打印,分析表明,传入的初始位置是正确的。依然尚未解决。
(3)阶段3:在看代码的时候,我注意到,干涉检测成功请求全局规划时,我会先使用局部的膨胀地图(10米✘10米)去用potential a*
规划路径,如果规划失败,我会调用全局膨胀地图(将局部膨胀地图合并到全局膨胀地图上)去规划,问题出现在这个全局膨胀地图和局部膨胀地图上,这是两个栅格地图,他们的原点不一样,但是在计算起点世界系下的坐标时,只考虑了局部膨胀地图,所以导致映射错误,最终计算错误。于是修复此逻辑,重新测试机器人。又注意到,机器人在请求全局规划时,使用局部膨胀地图规划成功了,但依然出现此问题。尚未解决。。。
(4)阶段4:到这里,我基本怀疑potential a算法的代码有问题了,加了很多打印,最后怀疑是回溯获取路线有问题,然后又加了很多打印,又开始实车复现,记录数据,分析数据,最终结果表明,回溯的那块确实有问题,他回溯到了一个很远的点,并不是起点,然后这俩的index索引值一致,导致回溯程序提前结束,其实并没有找到起点。到此我怀疑是这里不该用索引去判断是不是找到了初始点,而是用坐标值去判断是否一致。
朋友们,你是不是以为到此就解决了此bug,请注意,并没有!并没有!
(5)阶段5:我们进一步分析,又发现了一个问题,就是回溯到的那个起点map系下的坐标居然超过了局部膨胀地图的范围,这说明回溯这里越界了,搜索的范围不在局部地图里了。这又是为什么呢?我们又去看下计算的目标点的map系坐标果然超过了局部坐标系的范围。。。。。。。
至此,这个问题分析出来了,就是为全局规划起设定的目标点不在地图的范围,这种情况下使用potential a
去计算就会生成错误的路线。。

哎,想想好蠢啊,范了这么低级错误!

=======20240511更新=
今日去公司在测试机器人的时候,发现昨天已经解决的上述问题又复现了,通过在c++代码中添加log,并实验复现抓取log,我们注意到当设置目标点在局部膨胀地图的范围内,依然会出现上述问题,我们通过对算法的分析以及理论思考,potential A算法的回溯路径的代码有问题,他在搜索回溯路径的时候未对膨胀地图的范围进行限制,由于索引映射成笛卡尔坐标不具备唯一性,如果不对搜索的地图范围进行限制,完全有几率在地图范围之外找到一个和起点一样的索引值,那么回溯函数就会提前终止,导致生成错误路径。
于是我们针对上述回溯搜索越界问题,对potential A
算法回溯异常的部分添加了防止超过地图边界的限制,最终得以解决了此问题。

最后特别感谢我的同事龙哥给和我一起分析讨论,并在关键的节点给出了正确的指导,才得以顺利解决这个开源算法potential A星算法代码中潜在的严重bug。

鞠春宇
于沈阳
20240510

  • 5
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
遗传算法是一种基于生物进化理论的优化方法,在优化问题中广泛应用。扫地机器人路径规划作为一种优化问题,可以利用遗传算法来寻找最优路径。首先,我们需要定义适应度函数,该函数用来评估每条路径的优劣,例如路径长度、避开障碍物的能力等。然后,我们随机生成一组初始路径作为种群,再利用遗传算法的选择、交叉和变异操作来不断优化这些路径,直到达到一定迭代次数或者满足优化条件为止。 以下是一个简单的扫地机器人路径规划的遗传算法优化的MATLAB代码: ```matlab % 遗传算法参数设置 popSize = 50; % 种群大小 maxGen = 100; % 最大迭代次数 pc = 0.8; % 交叉概率 pm = 0.1; % 变异概率 % 初始化种群 population = initPopulation(popSize); for gen = 1:maxGen % 评估种群适应度 fitness = evaluateFitness(population); % 选择操作 selected = selection(population, fitness); % 交叉操作 offsprings = crossover(selected, pc); % 变异操作 offsprings = mutation(offsprings, pm); % 更新种群 population = updatePopulation(population, offsprings); end % 找到最优路径 bestPath = findBestPath(population, fitness); % 输出最优路径 disp(['最优路径为:', num2str(bestPath)]); ``` 以上就是一个基本的遗传算法优化扫地机器人路径规划的MATLAB代码,通过不断迭代和优化,最终可以得到最优的路径规划方案。这种方法可以有效解决扫地机器人在复杂环境中的路径规划问题。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
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