路径规划-人工势场法 (Artificial Potential Field)

瞻邈

已于 2025-02-24 14:18:47 修改

阅读量9.8k

点赞数 3

分类专栏： # 规划与控制文章标签：目标跟踪人工智能计算机视觉

于 2022-05-09 12:01:55 首次发布

原文链接：https://blog.csdn.net/junshen1314/article/details/50472410/

版权

规划与控制专栏收录该内容

21 篇文章

订阅专栏

人工势场法是局部路径规划的一种比较常用的方法。这种方法假设机器人在一种虚拟力场下运动。

1. 简介

如图所示，机器人在一个二维环境下运动，图中指出了机器人，障碍和目标之间的相对位置。

这个图比较清晰的说明了人工势场法的作用，物体的初始点在一个较高的“山头”上，要到达的目标点在“山脚”下，这就形成了一种势场，物体在这种势的引导下，避开障碍物，到达目标点。

人工势场包括引力场合斥力场，其中目标点对物体产生引力，引导物体朝向其运动（这一点有点类似于A*算法中的启发函数h）。障碍物对物体产生斥力，避免物体与之发生碰撞。物体在路径上每一点所受的合力等于这一点所有斥力和引力的和。这里的关键是如何构建引力场和斥力场。下面我们分别讨论一下：

1.1. 引力场

常用的引力函数：

$U_{\mathrm{att}}(\mathbf{q})=\frac{1}{2}\xi\rho^{2}(\mathbf{q},\mathbf{q}_{\mathrm{goal}}) (1)$

这里的ε是尺度因子， $\rho(q,q_{goal})$ 表示物体当前状态与目标的距离。引力场有了，那么引力就是引力场对距离的导数（类比物理里面W=FX）：

$\mathbf{F}_{\mathrm{att}}(\mathbf{q})=-\nabla U_{\mathrm{att}}(\mathbf{q})=\xi(\mathbf{q}_{\mathrm{goal}}-\mathbf{q})(2)$

1.2. 斥力场

$\left.U_{\mathrm{rep}}(\mathbf{q})=\left\{ \begin{array} {ll}\frac{1}{2}\eta\left(\frac{1}{\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})}-\frac{1}{\rho_{0}}\right)^{2}, & \quad\mathrm{if}\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})\leq\rho_{0} \\ 0, & \mathrm{if}\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})>\rho_{0t} \end{array}\right.\right. (3)$

公式 (3) 是传统的斥力场公式。公式中η是斥力尺度因子， $\rho(q,q_{obs})$ 代表物体和障碍物之间的距离。 $\rho_0$ 代表每个障碍物的影响半径。换言之，离开一定的距离，障碍物就对物体没有斥力影响。

斥力就是斥力场的梯度

总的场就是斥力场合引力场的叠加，也就是 $U=U_{att}+U_{rep}$ ，总的力也是对对应的分力的叠加，如下图所示：

2. 存在的问题

当物体离目标点比较远时，引力将变的特别大，相对较小的斥力在甚至可以忽略的情况下，物体路径上可能会碰到障碍物
当目标点附近有障碍物时，斥力将非常大，引力相对较小，物体很难到达目标点
在某个点，引力和斥力刚好大小相等，方向想反，则物体容易陷入局部最优解或震荡

3. 各种改进版本的人工势场法

对于可能会碰到障碍物的问题，可以通过修正引力函数来解决，避免由于离目标点太远导致引力过大

和 (1) 式相比，(5) 式增加了范围限定。 $d^*_{goal }$ 给定了一个阈值限定了目标和物体之间的距离。对应的梯度也就是引力相应变成：

目标点附近有障碍物导致目标不可达的问题，引入一种新的斥力函数

这里在原有斥力场的基础上，加上了目标和物体距离的影响（n是正数，我看到有篇文献上n=2）。直观上来说，物体靠近目标时，虽然斥力场要增大，但是距离在减少，所以在一定程度上可以起到对斥力场的拖拽作用

相应斥力变成：

$\begin{aligned} \mathbf{F}_{rep}(\mathbf{q}) & =-\nabla U_{\mathrm{rep}}(\mathbf{q}) \\ & \left.=\left\{ \begin{array} {ll}F_{\mathrm{rep}1}\mathbf{n}_{OR}+F_{\mathrm{rep}2}\mathbf{n}_{RG}, & \quad\mathrm{if}\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})\leq\rho_{0} \\ 0, & \quad\mathrm{if}\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})>\rho_{0} \end{array}\right.\right. (8) \\ \mathrm{where} \\ & F_{\mathrm{rep}1} =\eta\left(\frac{1}{\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})}-\frac{1}{\rho_{0}}\right)\frac{\rho^{n}(\mathbf{q},\mathbf{q}_{\mathrm{goal}})}{\rho^{2}(\mathbf{q},\mathbf{q}_{\mathrm{obs}})} \\ & F_{\mathrm{rep}2} =\frac{n}{2}\eta\left(\frac{1}{\rho(\mathbf{q},\mathbf{q}_{\mathrm{obs}})}-\frac{1}{\rho_{0}}\right)^{2}\rho^{n-1}(\mathbf{q},\mathbf{q}_{\mathrm{goal}}) \end{aligned}$