机器人运动规划算法研究现状-学习笔记

机器人运动规划算法研究现状简述 (qq.com)https://mp.weixin.qq.com/s/tC3UP1KUXj7_EQqXLLBzvw（原文为上）

摘要
    运动规划是移动机器人自主导航系统中的重要模块之一
    分类（按照规划算法特性）
        图规划算法
        空间采样算法
        曲线插值拟合算法
        仿生智能算法

1  引言
    自主导航系统
        感知
            连接机器人与环境的桥梁，阅读环境内容
        规划
             连接感知与控制的桥梁，分析理解环境，根据用户目标及需求输出可执行控制命令
                 感知、规划模块是决定导航系统智能程度的关键
        控制
        定位
    规划是依赖地图的，不同的地图使用的规划算法是有区别的
    本文根据算法原理、研究时间排序，整理概述该领域的进展和成果

02 规划算法研究
    补充概念
        路径规划：是指地图上生成一条连接起点和终点的路径曲线，该路径 曲线不会与地图中的障碍物相交，且均在可行区域
        轨迹规划：轨迹曲线是路径曲线和速度曲线相耦合的符合曲线，轨迹曲线包含了位置、速度和时间等信息
        运动规划：狭义上与轨迹规划的概念非常接近，区别在于不同机器人的运动学、动力学模型是不一样的
            运动规划需要做的事情是需要先规划出上述曲线，接着结合动力学模型，将轨迹曲线转化为每个电机的运动控制曲线，控制电机沿着该控制曲线运动，以实现机器人沿着规划的目标规划曲线运动
        约束
            运动规划的研究主要是对多目标变量多约束耦合的规划模型优化求解，目标需求非常多，包括模型硬约束，如轨迹曲线需要满足机器人运动学和动力学模型约束、避障约束；软约束：实时性好、动态适应性好、计算成本低
        运动规划通用模型
            多目标多变量多约束耦合优化问题
            多类求解算法模型
             计算结果
        运动规划的难点
            如何处理耦合关系的路径与速度曲线的优化问题
                1、路径-速度完全脱离处理
                    仅单纯生成平滑曲线
                    再使用曲线跟踪算法控制机器人运动
                    动态避障性能偏弱
                2、路径-速度循环迭代优化
                    先生成无碰撞路径（静态避障）
                    再基于该路径生成稳定性好的无碰撞速度曲线（动态避障）
                    循环迭代优化算法生成最佳轨迹曲线
                    降低优化维度，提升优化效率
                3、路径-速度“捆绑”优化
                    综合考虑所有的约束关系及优化目标，生成最优轨迹曲线
                    轨迹效果好，构造难度大、优化效率不高
    2.1 图优化算法
        图规划算法多数将环境模型离散化表达，如栅格图等，其离散节点描述相应状态，建立节点间联系，并求解最优路径
        分类
            图搜索算法
            BUG算法
            势场力算法
    2.2 空间采样算法
        状态空间采样
            能够在大面积、高维度的空间中快速生成路径，包括RRT和PRM类算法等，具有概率完备性，其主要步骤包括随机采样、度量连接、碰撞检测和路径查询
        运动空间采样
            在速度空间等距采样，通过评价函数选择最佳控制指令，驱动机器人运动，主要包括CVM类算法及DWA算法
    2.3 曲线插值拟合算法
        上述图规划算法和空间采样算法生成的路径存在折点、急弯等曲率不连续的情况，影响机器人运动平稳性，因此需要考虑模型硬约束与实际规划软需求，以提升路径平滑度
        在曲线平滑控制及优化方面有显著优势
        按照曲线生成方式及其种类
            基于插值的规划算法
            基于特殊曲线的规划算法
            基于优化的规划算法
    2.4 仿生智能算法
        与经典算法相比，智能算法能够较好适应复杂动态环境中的不确定、不完整的信息，但需要前期学习阶段和较高计算成本，适用于大型机器人

03 规划算法特性讨论
    目前研究思路：多是先采用图规划算法、空间采样算法生成全局路径或初始路径，再使用曲线插值拟合算法，综合考虑系统软硬约束，优化生成质量好的轨迹
    图规划算法与空间采样算法已经能够在诸多场景下规划生成一条无碰撞路径，实时性和动态适应性逐渐提升，但多数算法仍然存在路径质量差、未考虑动力学约束等问题
    曲线插值拟合算法正好与之配合，能够容易生成连续性好的轨迹曲线
    多数仿生智能算法处理动态环境下的规划问题时存在实时性、收敛性等问题，实际应用较少