1运动规划概述

2024-02-23 15:28:22

Motion planning

autonomous robot

总结一下什么是自主机器人：

首先我们需要状态估计（定位）；
基于此，利用传感器融合人建立一个周围环境的三维地图；
基于状态估计和感知，运动规划模块被要求在复杂、未知的环境下能够生成安全且动力学可行的移动机器人运动轨迹；
最后交给控制器实现所生成的轨迹；

T(what）

basic requirements

safety: collision avoidance
smoothness: energy saving, comfort,stable
kinodynamic feasibility: executable , controllable
本门课程遵循的是学院派的风格，也就是把整个规划问题分为前端（路径发现/路径搜索）和后端（轨迹生成/轨迹优化）。在前端，要在一个相对低维的状态空间（通常是离散的），去找一个初始的、安全的、让机器人课通行的一个初始值，解的质量可能不是很好，我们称之为Path，这个路径通常是没有时间信息的并且只局限在低维的信息。之后我们再通过后端的轨迹优化，把这样一个低维的Path转变为可执行的高维的轨迹，会用到很多优化的技巧。

w(How)

首先要有一个对规划的总体认知，针对不同的场景不同的需求选择合适的算法，并且常常需要设计一些自定义的策略；第二点就是要勇于去做，去调试；最后，因为规划属于一个相对顶层的位置，下面有感知定位控制机械设计等内容，所以要知道整个系统的运作才能真正的知道规划的算法是否是有效的。不需要真的去参与到那些部分的开发，但至少要熟悉，达到能够去维护的要求。

front-end path finding

search for an initial safe path
low dimensional
discrete space
e.g search-basic ,sample-basic, kinodynmic path
⚫ SEARCH-BASED PATH FINDING
➢ Graph Search Basis
➢ Dijkstra and A*
➢ Jump Point Search
⚫ SAMPLING-BASED PATH FINDING
➢ Probabilistic Road Map
➢ Rapidly-exploring Random Tree (RRT)
➢ Optimal Sampling-based Methods
➢ Advanced Sampling-based Methods
⚫ KINODYNAMIC PATH FINDING
➢ Introduction
➢ State-state Boundary Value Optimal Control Problem
➢ State Lattice Search
➢ Kinodynamic RRT*
➢ Hybrid A*（在无人驾驶中应用广泛）

对于每个基于图搜索的路径规划问题，都有一个相应的状态空间图,图中节点之间的连通性用(有向或无向)边表示
PRM

RRTvs RRT

informed RRTz
在椭圆内采样，收敛时间快
kinematic dynamic path finding
state lattice search

Hybrid A*
与lattice grid相似，只会在一个栅格里保留一个点

Kinodynamic RRT*

需要两点边界值最优问题求解

back-end trajectory generation (后端）

search for an executable trajectory
high dimensional
continuous space
e.g minimum snap trajectory generation, soft and hard constrained trajectory optimization

MDP(markov decision process-based planning)&MPC(model predictive control for robotics planning)
⚫ MINIMUM SNAP TRAJECTORY GENERATION
➢ Differential Flatness
➢ Minimum Snap Optimization
➢ Closed-form Solution to Minimum Snap
➢ Time Allocation
➢ Implementation in Practice
⚫ SOFT AND HARD CONSTRAINED TRAJECTORY OPTIMIZATION
➢ Soft Constrained Trajectory Optimization
➢ Hard Constrained Trajectory Optimization
⚫ MARKOV DECISION PROCESS-BASED PLANNING
➢ Uncertainties in Planning and MDP
➢ Minimax Cost Planning and Expected Cost Minimal Planning
➢ Value Iteration and Real-Time Dynamic Programming
⚫ MODEL PREDICTIVE CONTROL FOR ROBOTICS PLANNING
➢ Introduction
➢ Linear MPC
➢ Non-linear MPC

find problem
- find actual problem
- engineer first
solve
- simple but effective solution is always preferable
- no just simulation
  for different scenarios, suitable methods
  don’t wait ,move