资料翻译
文章平均质量分 90
Jack Ju
硕士毕业于哈尔滨工业大学控制科学与工程系,目前是一名自动驾驶工程师。
展开
-
Costmap文献阅读——Layered Costmaps for Context-Sensitive Navigation
许多导航系统,包括无处不在的ROS导航堆栈,在单个成本图上执行路径规划,其中大部分信息存储在单个网格中。这种方法在生成最小长度的无碰撞路径方面非常成功,但是当成本图中的值超出已占用或空闲空间时,它在动态的、充满人员的环境中可能会遇到困难。我们已经创建并实现了一种称为分层成本图的新方法,它通过将成本图数据的处理分离到语义上分离的层来工作。每一层跟踪一种类型的障碍或约束,然后修改用于路径规划的主成本图。原创 2023-11-14 18:00:37 · 473 阅读 · 0 评论 -
规划文献阅读——Obstacle Avoidance, Path Planning and Control for Autonomous Vehicles
自动驾驶汽车避障需要三个主要层面,即感知、路径规划和制导控制。在本文中,考虑到这三个层次之间的联系,提出了一个全局架构。在环境感知层面,采用基于证据占用网格的方法进行动态障碍物检测。因此,考虑物体的姿态来生成轨迹。后者是基于平滑轨迹的s型函数。最后,控制制导利用该避障轨迹生成合适的转向角。整个策略在我们的实验车上得到了验证。实验结果表明了该方法的有效性。原创 2023-11-10 16:19:11 · 164 阅读 · 0 评论 -
机器人控制算法——TEB算法—Obstacle Avoidance and Robot Footprint Model(避障与机器人足迹模型)
对于每个障碍物(点/占用的成本图单元、线、多边形),定位计划轨迹的最接近姿态(见图)。此外,更大的障碍需要更多的连接姿势,以避免不可错过的捷径。显然,优化涉及到找到指定成本函数(目标函数)的最小成本解(轨迹)。简单地说:如果一个计划的(未来)姿势违反了与障碍物的期望分离,那么成本函数的成本必须增加。惩罚项确实是非零的,但优化器会被卡住(达到这个局部最小值),因为将相应的姿势横向移动到其中一个障碍物会进一步增加总成本。因此,优化器可能会考虑到一个小的违规(因此也会考虑到小的惩罚),以最小化整个组合成本函数。原创 2023-10-19 11:43:25 · 2013 阅读 · 0 评论 -
机器人控制算法—TEB算法文献阅读Trajectory modification considering dynamic constraints of autonomous robots
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。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。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。根据诸如有限的机器人速度和加速度的动态约束的运动。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。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。原创 2023-10-17 08:30:39 · 992 阅读 · 0 评论 -
机器人控制算法—TEB算法文献阅读Integrated online trajectory planning and optimization in distinctive topologies
设sk=[xk,yk,βk]⊺∈R2×S1表示离散机器人姿态时间点k、xk∈R和yk∈R表示机器人的平面位置,βk∈S1表示机器人的方向。离散轨迹是根据机器人姿态的序列S={S k | k=1,2,…,n}来描述的。TEB用严格正的时间间隔∆T k∈R+,k=1,2,…来扩充轨迹表示,n−1。每个时间间隔表示机器人从姿势s k过渡到其后续姿势s k+1所需的时间。具有三个姿势的示例轨迹如图1所示。原创 2023-10-16 11:25:24 · 1184 阅读 · 0 评论 -
自动驾驶——Smooth Local Planning
在本模块中,我们将讨论分层运动规划器的最低级别,即局部规划器。作为提醒,局部规划器是分层规划器的一部分,它以无碰撞、高效和舒适的方式执行行为规划器所要求的机动。这导致轨迹,即在给定时间空间中的一系列点,或路径和速度剖面,即在每个点具有所需速度的空间中的点序列。然后,这个计划可以作为您在第一课程中开发的控制器的参考输入。在本模块中,我们将以我们在模块四中开发的入门反应式规划器为基础,这样它就能够处理自动驾驶运动规划问题中存在的一些细微差别。特别是,我们将从离散时间转移到连续时间,以便生成易于使用控制器跟踪的平原创 2023-05-08 22:27:33 · 1370 阅读 · 0 评论 -
自动驾驶— Planning - Udacity Self-Driving Car Engineer
在本课中,我们将探讨自动驾驶汽车如何规划穿越世界的轨迹。车辆基于高清地图、感知和预测模块的数据制定此计划。首先,我们介绍如何使用a星规划到达目的地的地图级路线。然后,我们专注于建立无碰撞的轨迹,引导我们一步一步地到达目的地。我们学习了如何使用过去的速度解耦规划或网格规划来构建这些轨迹。比较这两种方法将培养你的规划直觉以及如何使用成本函数选择轨迹。规划是开发自动驾驶汽车最困难的部分之一。原创 2023-05-03 21:21:46 · 1059 阅读 · 0 评论