Cell Decomposition系列路径规划算法——ECD、ACD

最新推荐文章于 2024-06-24 09:34:31 发布

听得见我的声音吗

最新推荐文章于 2024-06-24 09:34:31 发布

阅读量4.2k

点赞数 4

分类专栏：路径规划算法文章标签：深度学习机器学习自动驾驶

本文链接：https://blog.csdn.net/qq_41845878/article/details/120073570

版权

本文介绍了Cell Decomposition系列中的ECD（Exact Cell Decomposition）和ACD（Approximate Cell Decomposition）算法。ECD通过最少化cell分解、垂直线分解和排布分解方法，但面临效率和细胞形状的问题。ACD则采用固定或自适应粒度，简化了算法复杂度，但增加了搜索阶段的计算量。这两种方法在路径规划中各有优劣。

摘要由CSDN通过智能技术生成

做个正直的人

思想

cell decomposition算法看名字，即将整个的search space分解（decomposition）为许多的相互毗邻的cell，然后把这些cell表示为一个node，每两个相邻的cell所对应的两个node用edge连接。这样整个search space就变成了一个graph。如果场景中不存在hole，那么这一个graph将会是一个connectivity graph。随后应用一些图搜索算法（比如深度优先搜索DFS、广度优先搜索BFS、Dijkstra算法等）就可以找到一条从起点到目标点的路径。

CD算法本文讲三个，分别是

Exact Cell Decomposition 即 ECD
Approximate Cell Decomposition 即 ACD
Probability Cell Decomposition 即 PCD

1、ECD

ECD算法的第一步是将整个的search space分解为诸多的cell。那这个分解的方法就五花八门了。但是有一些方面是各个方法都必须满足的。

cell是整个连通区域，内部不能有洞
cell应该是一个凸形状，比如凸多边形

cell是一个连通区域很容易理解，毕竟这个cell里面竟然还留有障碍物是不允许的。那为什么必须是凸的呢？我们看下面两幅图

在这里插入图片描述
上图中，左图是一个凸多边形，要知道CD是要把一个cell用一个node来表示的，这意味着我们认为机器人在一个cell内部运动的时候是绝对安全的，凸多边形是满足这一要求的；右图是一个非凸多边形，我们看其中的橙色路径，机器人想从cell内部的一点沿着这条路径运动到另一点，那试问，机器人的运动绝对安全吗？certainly not. 因此，分解出的众多cell必须都是凸的。

1.1 最少化cell分解方法

在这里插入图片描述
如上图这种分解方法，通过重点关注环境中的“顶点”来分解，该方法确实获得了最少的cell，但是当场景中存在hole的时候，就成了一个NP-hard问题，因此这种分解方法实际上效率很低，很不好用。

1.2 垂直线分解

在这里插入图片描述
如上图这种分解方式，在场景中放置一系列（n条）垂直的线，这些线在碰到障碍物或者墙壁的地方被切断，这样就在场景中出现了许多的垂直线段，我们就取这些线段的中点作为node来表示整幅search space。
其时间复杂度为O(n logn)。

1.3 排布分解方法(Arrangement Method)

在这里插入图片描述
如上图，该算法的思路是将场景中的线段向两边延长，这样许许多多的直线就把整个search space分解成了许多的cell。然而可以看到这种方法分解出的cell区域太小、数量太多，给搜索阶段带来了更大的计算量。因此排布分解还会对分解出的cell进行一次合并，来祛除那些不必要的cell。该算法的时间复杂度是 $O(n^3)$ 。