运动规划三：基于运动学约束的路径搜索

前言：博客介绍非常简单，具体的 请参考课程。

1.Introduction

概念：

• 解决动力学约束（如避障）和 dynamic constraints （如 速度、加速度、力的限制）
• solution 是从时间映射到 力和加速度
  作用：虽然有后期规划，但是如果前期考虑了运动学约束，就会为后期优化带来便利。

2.State Lattice Planning

2.1基础的理念

• 已经有很多方法用于图搜索，现在重点就是如何产生图
• 要求生成可行的运动连接：
  • 正向：离散控制空间,比如栅格地图的四连接，八连接
  • 反向：离散采样空间，比如RRT，空间随机采样
• State Lattice Planning 就是最直接的一种

2.2如何生成图：

2.2.1 离散控制空间

• 离散控制空间：挑选不同的控制 u ，固定时间 T ,前向仿真整个系统；
  • 没有目标倾向
  • 容易实现，但是效率低。
  • 会产生很多无用的路径（目标点不在状态空间里）
  • 容易依赖初始状态，产生聚类现象，同时很多路径失败
    -如下图：离散了加速度和加加速度，直接利用状态转移方程就可以求解。
    
    

2.2.2 离散状态空间

• 离散状态空间：挑选终点s_f,反向找到起点和终点的连接
  • 有目标倾向
  • 较难实现，但是效率高，BVP 或OBVP
• 空间内均匀离散点，得到lattice graph
  

2.3 Boundary Value Problem（BVP）

BVP:知道初值和终值，比如位置和速度，计算中间路径

• 没有一般的解法，要根据实际案例设计
• 通常是结合一些数值解法
  
  通过起点和终点的信息进行参数选择，但是可能存在很多解，并不是最优的。

2.4 Optimal Boundary Value Problem（OBVP）

通过庞特里亚金最小值原理进行优化，得到一个最优的解答（T固定），以及得到最优的时间T。
应用：无人机接求、打羽毛球等等

• 建模、庞特里亚金最小值原理求解，参考论文2：
  
• 庞特里亚金最小值原理的应用：
  • 得到要优化的项：final state and transition cost
  • 写出哈密尔顿函数和costate
    
• 得到具体的哈密尔顿函数和costate的表达式
  
• 代入初值，得到最优解，并且可以计算最优的时间T
  
• 若只是部分状态固定，比如位置，但是其他的状态（速度）是不确定的 OBVP 问题
  

3.Hybird A*

将 lattice 和A*算法混合起来规划路径；

• 启发式函数设计
  • 不考虑障碍
  • 不考虑动力学约束

4.Kinodynamic RRT*

在 RRT* 的基础上结合动力学约束进行路径规划，具体参考课程

• 如何采样：在状态空间进行采样
• 如何定义near：通过obvp 计算 cost function
• 如何选择父节点
• 如何发现 near nodes
• 如何重连接

参考

• 1.深蓝学院：移动机器人运动规划课程，具体内容请看课程，若内容侵权联系删除。
• 2.A Computationally Efficient Motion Primitive for Quadrocopter Trajectory Generation, Mark W. Mueller, Markus Hehn, and Raffaello D’Andrea Dynamic Programming and Optimal Control, D. P. Bertsekas