TARE:用于探索复杂三维环境的分层框架
实现方法:
采用随机采样 viewpoint 方法,然后求解一个旅行商问题(TSP),对应拿到一个旅行商巡行(Tour)路线(经过每一个 viewpoint,确定机器人探索目的地的先后顺序);反复迭代的做这件事,最后保留一组最优的 viewpoint 和对应的旅行商巡行路线,这个最优的旅行商巡行路线就是最终要发送给系统执行的局部路径(local path)
路径平滑
通过 viewpoint 拟合一条或多条路径段,每个路径段都是动态可行的
其中实心橙色点为采样 viewpoint,空心橙色点为断点(break-point)
系统在经过采样 viewpoint 时不需要停下来而是匀速通过(连续平滑的),但是系统在每个断点处会停下来(连续但不平滑),然后原地调整方向后,继续前进到下一个路径段
重定位(relocation)问题:系统把自己转移到另一个地方去,这个转移的过程就叫重定位(relocation)
当环境比较复杂比较绕的时候,经常会出现这样的情况:在系统附近的局部区域已经全部覆盖好了,此时系统就需要高效的把自己引导到另一个地方去
下图当系统到达左上角的死路(dead end)时,此时局部环境已经完全覆盖好,再将自己引导出来到达一个十字路口(intersection),然后选择一条支路继续完成覆盖
TARE:探索问题是一个环境覆盖问题:把一个系统放到一个未知环境中,系统会自主把环境覆盖完。
FAR Planner:采用动态可见性更新的快速、试探性路径规划算法
FAR Planner :是要把系统送到某一个目标点上去,这个目标点(Goal point)是我们人为给定的,系统通过某种途径算一系列路径(path)
常见路径规划算法:
- 基于离散化搜索:A*、D*
- 基于采样:RRT
>基于环境特征(Feature-Based):如 Visibility Graph,其基于对环境特征的提取与几何关系分析生成路径图(Roadmap),然后在生成的 Roadmap 上进行规划,这种方式可生成理论最短路径
实现方法:
障碍物的多边形提取和配准
首先,输入传感器点云数据
然后,根据输入的点云创建二进制图像,并应用平均滤波方法生成模糊图像
接着从这些具有稠密顶点的模糊图像中提取多边形轮廓(下图 a:黑色像素是可通行的,白色像素是障碍物,其他不同颜色表示不同的多边形)
最后,将提取的多边形(下图 b 中红色)与传感器点云数据(下图 b 中白色)进行配准
两层可视图动态更新
对于未知环境,算法对每一帧传感器输入进行处理:提取障碍物多边形特征,并通过检测角点之间的相互可视性建立一个局部 V-Graph 用于全局 V-Graph 更新
这样,将分散建立大范围全局 V-Graph 的计算量,并实现未知环境下的动态更新,使得规划器可在未知环境下探索式路径规划
在 V-Graph 上规划
动态障碍物检测与路径更新:通过对传感器多帧输入的比较,检测环境中的动态障碍物(如:行人,车辆),算法会对受到动态障碍物遮挡的 V-Graph 进行更新,并在动态障碍物移开后恢复之前 V-Graph 内相对应角点之间的连接
在未知环境中的尝试性(Attemptable)路径规划:当导航/目标点(Goal Point)处在当前没有先验地图(Prior Map)的未知环境中时,算法会根据当前已知信息规划出多个可行路径进行尝试,并根据之后的最新环境信息进行更新