论文阅读之混合A*

《Practical Search Techniques in Path Planning for Autonomous Driving》
路径规划算法,可以在未知环境中行进的自动驾驶车辆生成平滑的轨迹。

混合状态A搜索,Hybrid-State A Search

我们将A算法应用于车辆的3D动力学状态空间。搜索空间 ( x , y , θ ) (x,y,\theta) (x,y,θ)是离散的,但每个离散状态不局限于空间网格的中心。
在这里插入图片描述
三种图搜索算法的比较:A
算法访问的状态在每个网格的中心位置(左侧);Field D和Theta算法在每个网格的角点处计算成本,并允许网格之间的任意线性路径(中间);混合A计算网格内连续状态的成本,并将该成本作为单元格的成本。
因为一个单元格合并了多个连续状态,混合A
算法无法保证找到最优路径。但是混合A算法能够保证结果路径是可行使的。且通常,混合A算法得到的结果路径通常在最优路径附近,我们可以通过优化算法获得全局最优解。
算法允许倒车,但惩罚倒车以及切换运动方向。

启发函数

算法参考了两种启发函数:non-holonomicwithout-obstacles,即忽略障碍物,但考虑车辆的non-holonomic约束。我们假设目标状态为 ( x g , y g , θ g ) = ( 0 , 0 , 0 ) (x_g,y_g,\theta_g)=(0,0,0) (xg,yg,θg)=(0,0,0),并计算每个点 ( x , y , θ ) (x,y,\theta) (x,y,θ)到达目标点所需的最短路径作为启发函数。
算法使用max(2D欧式距离,non-holonomicwithout-obstacles成本)作为启发函数。
而欧氏距离启发函数,由于考虑了障碍物,它可以发现2D中所有的U型障碍物和死角,然后产生更昂贵的代价函数,引导搜索远离这些区域。
在这里插入图片描述
A*算法使用欧几里得距离作为启发函数:a,扩展了21515个结点,c,扩展了68730个结点(复杂环境导致了大量的无用搜索)
non-holonomic-without-obstacles作为启发函数:b,只扩展了1465个结点,d,只扩展了10588个结点。

扩展结点

上述正向搜索使用控制动作转向的离散空间。
使用控制动作的离散空间进行前向搜索,且使用基于Reed-Shepp曲线。通过使用特定的控制动作在短时间内(对应于网格的分辨率)模拟汽车的运动模型来扩展树中的节点。

使用Voronoi场的路径成本函数

使用Voronoi场来权衡路径长度与距离障碍物的距离。
在这里插入图片描述
在这里插入图片描述
a)voronoi场,b)vorinoi图,c)其他势场(标准电势场)。可以看出,其他势场中,狭窄隘口有很高的势,不利于通行。

局部优化和平滑

混合A算法产生的路径并非最优的,进行两个阶段进行优化:1. 对轨迹上的顶点进行非线性优化,以改善解的长度和平滑度。2. 执行非参数插值。
在这里插入图片描述
对轨迹上每个结点进行位姿优化。
在这里插入图片描述
红色线是混合A
产生的轨迹,蓝线是对结点优化后的轨迹。
使用上述优化方法(CG平滑),我们得到的路径比混合A*得到的解更平滑,但它仍然是分段线性的。
我们需要对结点进行曲线插值,因此,我们使用非参数插值。下图显示了对路径结点进行插值的结果。
在这里插入图片描述

  • 10
    点赞
  • 54
    收藏
    觉得还不错? 一键收藏
  • 3
    评论
评论 3
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
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