概率机器人:速度运动模型

机器人运动

概率机器人学将运动方程推广:由控制噪声或者未建模的外源性影响,控制输出是不确定的。

基础概念

运动学构型

运动学(Kinematics):描述控制行为对机器人构型产生影响的微积分

  • 位姿:能够表示机器人位置和航向的物理量
    • 平面环境下通常限定为三维向量: [ X Y θ ] T \begin{bmatrix}X&Y&\theta\end{bmatrix}^T [X​Y​θ​]T
    • 航向:也称方位,用于表示机器人的朝向。
    • 位置:除航向外的部分,称为位置。
  • 位姿和环境中对象的位置构成了机器人-环境系统的运动学状态 x t x_t xt​

概率运动学

概率运动学模型在移动机器人中起到状态变换模型的作用,即 p ( x t ∣ u t , x t − 1 ) p(x_t | u_t,x_{t-1}) p(xt​∣ut​,xt−1​)。

表示在控制 u t u_t ut​作用下,前一刻机器人位姿 x t − 1 x_{t-1} xt−1​在当前时刻得到机器人位姿 x t x_t xt​的概率。为对 x t − 1 x_{t-1} xt−1​施加控制 u t u_t ut​后,机器人取得的运动学状态的后验分布。实际控制中, u t u_t ut​有时由机器人里程计提供。

速度运动模型

速度运动模型(Velocity Motion Model)认为可通过一个旋转速度和一个平移速度来控制机器人。差分驱动、阿克曼驱动、同步驱动通常使用该方案进行控制。

速度运动模型被用于概率运动规划,用 v t v_t vt​表示t时刻机器人的平移速度(Translational Velocity),用 ω t \omega_t ωt​表示旋转速度(Rotational Velocity),有:
u t = [ v t ω t ] u_t=\begin{bmatrix}v_t\\\omega_t\end{bmatrix} ut​=[vt​ωt​​]
规定,机器人逆时针旋转为旋转正方向( ω t > 0 \omega_t>0 ωt​>0),机器人前向运动为平移正方向( v t > 0 v_t>0 vt​>0)。

模型建立

理想模型

首先,考虑无噪声的理想情况并做出如下假定:

  • 时刻t的控制量 u t = [ v t ω t ] T u_t=\begin{bmatrix}v_t&\omega_t\end{bmatrix}^T ut​=[vt​​ωt​​]T
  • 机器人初始位姿: x t − 1 = [ X Y θ ] T x_{t-1}=\begin{bmatrix}X&Y&\theta\end{bmatrix}^T xt−1​=[X​Y​θ​]T
  • 在时间间隔 Δ t \Delta t Δt间,机器人速度恒定不变。也即机器人的控制量不变
  • 运动 Δ t \Delta t Δt时间后,机器人的位姿: x t = [ X ′ Y ′ θ ′ ] T x_t=\begin{bmatrix}X^{'}&Y^{'}&\theta^{'}\end{bmatrix}^T xt​=[X′​Y′​θ′​]T

则在世界坐标系 X O Y XOY XOY中,机器人作半径为 r r r的圆弧运动,圆弧的中心点为 C C C。过机器人中心作其运动方向的切线,交坐标系得航向角 θ \theta θ
概率机器人:速度运动模型

机器人平移速度与旋转速度间存在等式:
v t = ω t ⋅ r r = v t ω t \begin{aligned} v_t&=\omega_t\cdot r\\ r&=\frac{v_t}{\omega_t} \end{aligned} vt​r​=ωt​⋅r=ωt​vt​​​
过运动圆弧中心 C C C做坐标轴平行线,可由三角函数得:
X C = X − r ⋅ cos ⁡ ( θ − 90 ° ) = X − r ⋅ sin ⁡ θ Y C = Y − r ⋅ sin ⁡ ( θ − 90 ° ) = Y − r ⋅ cos ⁡ θ X_C=X-r\cdot\cos(\theta-90\degree)=X-r\cdot\sin\theta\\ Y_C=Y-r\cdot\sin(\theta-90\degree)=Y-r\cdot\cos\theta XC​=X−r⋅cos(θ−90°)=X−r⋅sinθYC​=Y−r⋅sin(θ−90°)=Y−r⋅cosθ
将转弯半径带入简化等式:
{ X C = X − v t ω t ⋅ sin ⁡ θ Y C = Y − v t ω t ⋅ cos ⁡ θ \begin{cases} X_C&=&X-\frac{v_t}{\omega_t}\cdot\sin\theta\\ Y_C&=&Y-\frac{v_t}{\omega_t}\cdot\cos\theta \end{cases} {XC​YC​​==​X−ωt​vt​​⋅sinθY−ωt​vt​​⋅cosθ​
如图所示,机器人运动 Δ t \Delta t Δt时间后,沿着运动方向前进 v t Δ t v_t\Delta t vt​Δt,并导致其航向旋转了 ω t Δ t \omega_t\Delta t ωt​Δt。

概率机器人:速度运动模型

此时,圆弧中心坐标不变,在此基础上采用三角函数,计算得到当前时刻的位姿:
[ X ′ Y ′ θ ′ ] = [ X C = X + v t ω t sin ⁡ ( θ + ω t Δ t ) Y C = Y + v t ω t cos ⁡ ( θ + ω t Δ t ) θ + ω Δ t ] [ X ′ Y ′ θ ′ ] = [ X Y θ ] + [ − v t ω t sin ⁡ θ + v t ω t sin ⁡ ( θ + ω t Δ t ) v t ω t cos ⁡ θ − v t ω t cos ⁡ ( θ + ω t Δ t ) ω t Δ t ] \begin{aligned} \begin{bmatrix}X^{'}\\Y^{'}\\\theta^{'}\\\end{bmatrix}&=& \begin{bmatrix} X_C=X+\frac{v_t}{\omega_t}\sin(\theta+\omega_t\Delta t)\\ Y_C=Y+\frac{v_t}{\omega_t}\cos(\theta+\omega_t\Delta t)\\ \theta+\omega\Delta t\end{bmatrix}\\ \begin{bmatrix}X^{'}\\Y^{'}\\\theta^{'}\\\end{bmatrix}&=& \begin{bmatrix}X\\Y\\\theta\\\end{bmatrix}+\begin{bmatrix} -\frac{v_t}{\omega_t}\sin\theta+\frac{v_t}{\omega_t}\sin(\theta+\omega_t\Delta t)\\ \frac{v_t}{\omega_t}\cos\theta-\frac{v_t}{\omega_t}\cos(\theta+\omega_t\Delta t)\\ \omega_t\Delta t\end{bmatrix} \end{aligned} ⎣⎡​X′Y′θ′​⎦⎤​⎣⎡​X′Y′θ′​⎦⎤​​==​⎣⎡​XC​=X+ωt​vt​​sin(θ+ωt​Δt)YC​=Y+ωt​vt​​cos(θ+ωt​Δt)θ+ωΔt​⎦⎤​⎣⎡​XYθ​⎦⎤​+⎣⎡​−ωt​vt​​sinθ+ωt​vt​​sin(θ+ωt​Δt)ωt​vt​​cosθ−ωt​vt​​cos(θ+ωt​Δt)ωt​Δt​⎦⎤​​

噪声模型

实际运动中,机器人将受到噪声影响。实际运行速度与期望速度存在一定的偏差。对控制量加入噪声:
[ v ^ t ω ^ t ] = [ v t ω t ] + [ ϵ α 1 v t 2 + α 2 ω t 2 ϵ α 3 v t 2 + α 4 ω t 2 ] \begin{bmatrix}\hat v_t\\\hat\omega_t\end{bmatrix}=\begin{bmatrix} v_t\\\omega_t\end{bmatrix}+\begin{bmatrix}\epsilon_{\alpha_1v_t^2+\alpha_2\omega_t^2}\\\epsilon_{\alpha_3v_t^2+\alpha_4\omega_t^2}\end{bmatrix} [v^t​ω^t​​]=[vt​ωt​​]+[ϵα1​vt2​+α2​ωt2​​ϵα3​vt2​+α4​ωt2​​​]
式中,噪声 ϵ b 2 \epsilon_{b^2} ϵb2​表示均值为0,方差为 b 2 b^2 b2的误差参量,参数 α 1 \alpha_1 α1​~ α 4 \alpha_4 α4​表示机器人里程计的误差参数,用于确定机器人的精确度。机器人越不精确,参数越大。

噪声可用正态分布进行描述:
ϵ b 2 ( x ) = 1 2 π b 2 e x p ( − 1 2 x 2 b 2 ) \epsilon_{b^2}(x)=\frac{1}{\sqrt{2\pi b^2}}exp(-\frac{1}{2}\frac{x^2}{b^2}) ϵb2​(x)=2πb2 ​1​exp(−21​b2x2​)
如图为均值为0,方差为 b 2 b^2 b2的正态分布曲线。正态分布通常用于连续随机过程的噪声建立模型

概率机器人:速度运动模型

噪声也可以用三角形分布进行描述:
ϵ b 2 ( x ) = max ⁡ { 0 , 1 6 b − ∣ x ∣ 6 b 2 } \epsilon_{b^2}(x)=\max\{0,\frac{1}{\sqrt 6b}-\frac{|x|}{6b^2}\} ϵb2​(x)=max{0,6 ​b1​−6b2∣x∣​}
如图为三角形分布曲线,它仅在 ( − 6 b , 6 b ) (-\sqrt{6b},\sqrt{6b}) (−6b ​,6b ​)区间内大于零。

概率机器人:速度运动模型

由此,得到噪声下的机器人位姿:
[ X ′ Y ′ θ ′ ] = [ X Y θ ] + [ − v ^ t ω ^ t sin ⁡ θ + v ^ t ω ^ t sin ⁡ ( θ + ω t Δ t ) v ^ t ω ^ t cos ⁡ θ − v ^ t ω ^ t cos ⁡ ( θ + ω t Δ t ) ω ^ t Δ t ] \begin{bmatrix} X^{'}\\Y^{'}\\\theta^{'}\\ \end{bmatrix}=\begin{bmatrix} X\\Y\\\theta \end{bmatrix}+\begin{bmatrix} -\frac{\hat v_t}{\hat \omega_t}\sin\theta+\frac{\hat v_t}{\hat \omega_t}\sin(\theta+\omega_t\Delta t)\\ \frac{\hat v_t}{\hat \omega_t}\cos\theta-\frac{\hat v_t}{\hat \omega_t}\cos(\theta+\omega_t\Delta t)\\ \hat\omega_t\Delta t \end{bmatrix} ⎣⎡​X′Y′θ′​⎦⎤​=⎣⎡​XYθ​⎦⎤​+⎣⎡​−ω^t​v^t​​sinθ+ω^t​v^t​​sin(θ+ωt​Δt)ω^t​v^t​​cosθ−ω^t​v^t​​cos(θ+ωt​Δt)ω^t​Δt​⎦⎤​

最终航向

上述模型建立在机器人围绕半径为 r r r的圆弧运动进行建模,但由于环境噪声原因,实际运动轨迹并非圆形。为推广模型,假设机器人抵达最终位姿时,旋转 γ ^ t \hat\gamma_t γ^​t​:
θ ′ = θ + ω ^ t Δ t + γ ^ t Δ t γ ^ = ϵ α 5 v t 2 + α 6 ω t 2 \begin{aligned} \theta^{'}&=&\theta+\hat\omega_t\Delta t+\hat\gamma_t\Delta t\\ \hat\gamma&=&\epsilon_{\alpha_5v_t^2+\alpha_6\omega_t^2} \end{aligned} θ′γ^​​==​θ+ω^t​Δt+γ^​t​Δtϵα5​vt2​+α6​ωt2​​​
参量 α 5 \alpha_5 α5​和 α 6 \alpha_6 α6​为机器人里程计噪声参数,由此得到最终的运动模型:
[ X ′ Y ′ θ ′ ] = [ X Y θ ] + [ − v ^ t ω ^ t sin ⁡ θ + v ^ t ω ^ t sin ⁡ ( θ + ω t Δ t ) v ^ t ω ^ t cos ⁡ θ − v ^ t ω ^ t cos ⁡ ( θ + ω t Δ t ) ω ^ t Δ t + γ ^ t Δ t ] \begin{bmatrix} X^{'}\\Y^{'}\\\theta^{'}\\ \end{bmatrix}=\begin{bmatrix} X\\Y\\\theta \end{bmatrix}+\begin{bmatrix} -\frac{\hat v_t}{\hat \omega_t}\sin\theta+\frac{\hat v_t}{\hat \omega_t}\sin(\theta+\omega_t\Delta t)\\ \frac{\hat v_t}{\hat \omega_t}\cos\theta-\frac{\hat v_t}{\hat \omega_t}\cos(\theta+\omega_t\Delta t)\\ \hat\omega_t\Delta t+\hat\gamma_t\Delta t \end{bmatrix} ⎣⎡​X′Y′θ′​⎦⎤​=⎣⎡​XYθ​⎦⎤​+⎣⎡​−ω^t​v^t​​sinθ+ω^t​v^t​​sin(θ+ωt​Δt)ω^t​v^t​​cosθ−ω^t​v^t​​cos(θ+ωt​Δt)ω^t​Δt+γ^​t​Δt​⎦⎤​

闭式算法

算法推导

计算在时间间隔 Δ t \Delta t Δt内,在控制量 u t = [ v t ω t ] T u_t=\begin{bmatrix}v_t&\omega_t\end{bmatrix}^T ut​=[vt​​ωt​​]T的作用下,机器人位姿从初始位姿 x t − 1 = [ X Y θ ] T x_{t-1}=\begin{bmatrix}X&Y&\theta\end{bmatrix}^T xt−1​=[X​Y​θ​]T变为期望位姿 x t = [ X ′ Y ′ θ ′ ] T x_t=\begin{bmatrix}X^{'}&Y^{'}&\theta^{'}\end{bmatrix}^T xt​=[X′​Y′​θ′​]T的概率密度 p ( x t ∣ u t , x t − 1 ) p(x_t | u_t,x_{t-1}) p(xt​∣ut​,xt−1​)

首先,计算将机器人从位姿 x t − 1 x_{t-1} xt−1​变换至位置 [ X ′ Y ′ ] T \begin{bmatrix}X^{'}&Y^{'}\end{bmatrix}^T [X′​Y′​]T所需的控制量

模型假设机器人在 Δ t \Delta t Δt时间内速度恒定,运动轨迹形成圆弧。则对于圆弧圆心,其与机器人的初始位姿正交,其中 λ \lambda λ为未知量:
[ X ∗ Y ∗ ] = [ X Y ] + [ − λ sin ⁡ θ λ cos ⁡ θ ] \begin{bmatrix}X^*\\Y^*\end{bmatrix}=\begin{bmatrix}X\\Y\end{bmatrix}+\begin{bmatrix}-\lambda\sin\theta\\\lambda\cos\theta\end{bmatrix} [X∗Y∗​]=[XY​]+[−λsinθλcosθ​]
同时,圆弧圆心位于点 ( X , Y ) (X,Y) (X,Y)和点 ( X ′ , Y ′ ) (X^{'},Y^{'}) (X′,Y′)的垂直平分线上,其中 μ \mu μ为未知量:
[ X ∗ Y ∗ ] = [ X + X ′ 2 + μ ( Y − Y ′ ) Y + Y ′ 2 + μ ( X ′ − X ) ] \begin{bmatrix}X^*\\Y^*\end{bmatrix}=\begin{bmatrix} \frac{X+X^{'}}{2}+\mu(Y-Y^{'})\\ \frac{Y+Y^{'}}{2}+\mu(X^{'}-X) \end{bmatrix} [X∗Y∗​]=[2X+X′​+μ(Y−Y′)2Y+Y′​+μ(X′−X)​]
当 ω t = 0 \omega_t=0 ωt​=0时,圆心位于无穷远处,机器人近似直线运动。;当 w t ≠ 0 w_t\not=0 wt​​=0时联立方程,得唯一解:
μ = 1 2 ( X − X ′ ) cos ⁡ θ + ( Y − Y ′ ) sin ⁡ θ ( Y − Y ′ ) cos ⁡ θ − ( X − X ′ ) sin ⁡ θ \mu=\frac{1}{2}\frac{(X-X^{'})\cos\theta+(Y-Y^{'})\sin\theta}{(Y-Y^{'})\cos\theta-(X-X^{'})\sin\theta} μ=21​(Y−Y′)cosθ−(X−X′)sinθ(X−X′)cosθ+(Y−Y′)sinθ​
带入等式,得到圆心坐标表达式:
[ X ∗ Y ∗ ] = [ 1 2 ( X + X ′ ) + 1 2 ( X − X ′ ) cos ⁡ θ + ( Y − Y ′ ) sin ⁡ θ ( Y − Y ′ ) cos ⁡ θ − ( X − X ′ ) sin ⁡ θ ( Y − Y ′ ) 1 2 ( Y + Y ′ ) + 1 2 ( X − X ′ ) cos ⁡ θ + ( Y − Y ′ ) sin ⁡ θ ( Y − Y ′ ) cos ⁡ θ − ( X − X ′ ) sin ⁡ θ ( X ′ − X ) ] \begin{bmatrix}X^{*}\\Y^{*}\end{bmatrix}=\begin{bmatrix} \frac{1}{2}(X+X^{'})+\frac{1}{2}\frac{(X-X^{'})\cos\theta+(Y-Y^{'})\sin\theta}{(Y-Y^{'})\cos\theta-(X-X^{'})\sin\theta}(Y-Y^{'})\\ \frac{1}{2}(Y+Y^{'})+\frac{1}{2}\frac{(X-X^{'})\cos\theta+(Y-Y^{'})\sin\theta}{(Y-Y^{'})\cos\theta-(X-X^{'})\sin\theta}(X^{'}-X) \end{bmatrix} [X∗Y∗​]=⎣⎡​21​(X+X′)+21​(Y−Y′)cosθ−(X−X′)sinθ(X−X′)cosθ+(Y−Y′)sinθ​(Y−Y′)21​(Y+Y′)+21​(Y−Y′)cosθ−(X−X′)sinθ(X−X′)cosθ+(Y−Y′)sinθ​(X′−X)​⎦⎤​
圆弧半径可以采用欧拉距离公式计算得到:
r ∗ = ( X − X ∗ ) 2 + ( Y − Y ∗ ) 2 r^{*}=\sqrt{(X-X^{*})^2+(Y-Y^{*})^2} r∗=(X−X∗)2+(Y−Y∗)2
由此,得到机器人航向的变化量计算表达式:
Δ θ = a t a n 2 ( Y ′ − Y ∗ , X ′ − X ∗ ) − a t a n 2 ( Y − Y ∗ , X − X ∗ ) \Delta\theta=atan2(Y^{'}-Y^*,X^{'}-X^*)-atan2(Y-Y^*,X-X^*) Δθ=atan2(Y′−Y∗,X′−X∗)−atan2(Y−Y∗,X−X∗)
函数 a t a n 2 ( y , x ) atan2(y,x) atan2(y,x)表达式如下,大多数语言(如Python中math库)提供了对应API(math.atan2(y,x)):
a t a n 2 ( y , x ) = { arctan ⁡ ( y / x ) x > 0 s i g n ( y ) ( π − arctan ⁡ ∣ y x ∣ ) x < 0 0 x = 0 , y = 0 s i g n ( y ) π 2 x = 0 , y ≠ 0 atan2(y,x)=\begin{cases} \arctan(y/x)&x>0\\ sign(y)(\pi-\arctan|{\frac{y}{x}}|)&x<0\\ 0&x=0,y=0\\ sign(y)\frac{\pi}{2}&x=0,y\not=0 \end{cases} atan2(y,x)=⎩⎪⎪⎪⎨⎪⎪⎪⎧​arctan(y/x)sign(y)(π−arctan∣xy​∣)0sign(y)2π​​x>0x<0x=0,y=0x=0,y​=0​
式中,函数 s i g n ( x ) sign(x) sign(x)为符号函数,表达式如下:
s i g n ( x ) = { 1 x > 0 0 x = 0 − 1 x < 0 sign(x)=\begin{cases} &1&x>0\\ &0&x=0\\ -&1&x<0 \end{cases} sign(x)=⎩⎪⎨⎪⎧​−​101​x>0x=0x<0​
从而,得到机器人的平移距离:
Δ d i s t = r ∗ Δ θ \Delta dist=r^*\Delta\theta Δdist=r∗Δθ
进而得到控制量的表达式:
u ^ t = [ v ^ t ω ^ t ] = Δ t − 1 [ Δ d i s t Δ θ ] \hat u_t=\begin{bmatrix}\hat v_t\\ \hat \omega_t\end{bmatrix}=\Delta t^{-1}\begin{bmatrix}\Delta dist\\ \Delta \theta\end{bmatrix} u^t​=[v^t​ω^t​​]=Δt−1[ΔdistΔθ​]

其次,计算机器人抵达最终航向 θ ′ \theta^{'} θ′所需的旋转 γ ^ t \hat\gamma_t γ^​t​
γ ^ t = Δ t − 1 ( θ ′ − θ ) − ω ^ t \hat \gamma_t=\Delta t^{-1}(\theta^{'}-\theta)-\hat \omega_t γ^​t​=Δt−1(θ′−θ)−ω^t​

最后,计算机器人的概率密度 p ( x t ∣ u t , x t − 1 ) p(x_t | u_t,x_{t-1}) p(xt​∣ut​,xt−1​)。

定义运动误差参量用于表示 u ^ t \hat u_t u^t​和 γ ^ t \hat \gamma_t γ^​t​相对控制量 u t = [ v t ω t ] T u_t=\begin{bmatrix}v_t&\omega_t\end{bmatrix}^T ut​=[vt​​ωt​​]T和旋转 γ t = 0 \gamma_t=0 γt​=0的偏差值。
v e r r = v t − v ^ t ω e r r = ω t − ω ^ t γ e r r = γ ^ t \begin{aligned} v_{err}&=v_t-\hat v_t\\ \omega_{err}&=\omega_t-\hat \omega_t\\ \gamma_{err}&=\hat \gamma_t\\ \end{aligned} verr​ωerr​γerr​​=vt​−v^t​=ωt​−ω^t​=γ^​t​​
由此,得到噪声误差:
ϵ α 1 v t 2 + α 2 ω t 2 ( v e r r ) ϵ α 3 v t 2 + α 4 ω t 2 ( ω e r r ) ϵ α 5 v t 2 + α 6 ω t 2 ( γ e r r ) \begin{aligned} \epsilon_{\alpha_1v_t^2+\alpha_2\omega_t^2}(v_{err})\\ \epsilon_{\alpha_3v_t^2+\alpha_4\omega_t^2}(\omega_{err})\\ \epsilon_{\alpha_5v_t^2+\alpha_6\omega_t^2}(\gamma_{err})\\ \end{aligned} ϵα1​vt2​+α2​ωt2​​(verr​)ϵα3​vt2​+α4​ωt2​​(ωerr​)ϵα5​vt2​+α6​ωt2​​(γerr​)​
假定,不同来源的误差噪声相互独立,则得到概率密度:
p ( x t ∣ u t , x t − 1 ) = ϵ α 1 v t 2 + α 2 ω t 2 ( v e r r ) ⋅ ϵ α 3 v t 2 + α 4 ω t 2 ( ω e r r ) ⋅ ϵ α 5 v t 2 + α 6 ω t 2 ( γ e r r ) p(x_t | u_t,x_{t-1})=\epsilon_{\alpha_1v_t^2+\alpha_2\omega_t^2}(v_{err})\cdot\epsilon_{\alpha_3v_t^2+\alpha_4\omega_t^2}(\omega_{err})\cdot\epsilon_{\alpha_5v_t^2+\alpha_6\omega_t^2}(\gamma_{err}) p(xt​∣ut​,xt−1​)=ϵα1​vt2​+α2​ωt2​​(verr​)⋅ϵα3​vt2​+α4​ωt2​​(ωerr​)⋅ϵα5​vt2​+α6​ωt2​​(γerr​)

算法设计

系统输入: 初始位姿 x t − 1 = [ X Y θ ] T x_{t-1}=\begin{bmatrix}X&Y&\theta\end{bmatrix}^T xt−1​=[X​Y​θ​]T、控制量 u t = [ v t ω t ] T u_t=\begin{bmatrix}v_t&\omega_t\end{bmatrix}^T ut​=[vt​​ωt​​]T、估计后继姿态 x t = [ X ′ Y ′ θ ′ ] T x_t=\begin{bmatrix}X^{'}&Y^{'}&\theta^{'}\end{bmatrix}^T xt​=[X′​Y′​θ′​]T

系统输出: 后继姿态为 x t x_t xt​的概率 p ( x t ∣ u t , x t − 1 ) p(x_t | u_t,x_{t-1}) p(xt​∣ut​,xt−1​)

假设条件: 控制算法以固定时间间隔 Δ t \Delta t Δt执行。

用参数 α 1 \alpha_1 α1​ ~ α 6 \alpha_6 α6​表示机器人里程计运动噪声系数:

  • 里程计平移噪声
    • 参数 α 1 \alpha_1 α1​:平移运动中平移分量的噪声
    • 参数 α 2 \alpha_2 α2​:平移运动中旋转分量的噪声
  • 里程计旋转噪声
    • 参数 α 3 \alpha_3 α3​:旋转运动中平移分量的噪声
    • 参数 α 4 \alpha_4 α4​:旋转运动中旋转分量的噪声
  • 里程计航向噪声
    • 参数 α 5 \alpha_5 α5​:最终航向中平移分量的噪声
    • 参数 α 6 \alpha_6 α6​:最终航向中旋转分量的噪声

算法实现逻辑如下:
A l g o r i t h m m o t i o n _ m o d e l _ v e l o c i t y ( x t , u t , x t − 1 ) : 1 : μ = 1 2 ( X − X ′ ) cos ⁡ θ + ( Y − Y ′ ) sin ⁡ θ ( Y − Y ′ ) cos ⁡ θ − ( X − X ′ ) sin ⁡ θ 2 : X ∗ = 1 2 ( X + X ′ ) + μ ( Y − Y ′ ) 3 : Y ∗ = 1 2 ( Y + Y ′ ) + μ ( X ′ − X ) 4 : r ∗ = ( X − X ∗ ) 2 + ( Y − Y ∗ ) 2 5 : Δ θ = a t a n 2 ( Y ′ − Y ∗ , X ′ − X ∗ ) − a t a n 2 ( Y − Y ∗ , X − X ∗ ) 6 : v ^ t = Δ θ Δ t ⋅ r ∗ 7 : ω ^ t = Δ θ Δ t 8 : γ ^ t = θ ′ − θ Δ t − ω ^ t 9 : r e t u r n p r o b ( v t − v ^ t , α 1 v t 2 + α 2 ω t 2 ) ⋅ p r o b ( ω t − ω ^ t , α 3 v t 2 + α 4 ω t 2 ) ⋅ p r o b ( γ ^ t , α 5 v t 2 + α 6 ω t 2 ) \begin{aligned} &Algorithm\quad motion\_model\_velocity(x_t,u_t,x_{t-1}): \\ 1:&\quad\quad \mu=\frac{1}{2}\frac{(X-X^{'})\cos\theta+(Y-Y^{'})\sin\theta}{(Y-Y^{'})\cos\theta-(X-X^{'})\sin\theta}\\ 2:&\quad\quad X^{*}=\frac{1}{2}(X+X^{'})+\mu(Y-Y^{'})\\ 3:&\quad\quad Y^{*}=\frac{1}{2}(Y+Y^{'})+\mu(X^{'}-X)\\ 4:&\quad\quad r^{*}=\sqrt{(X-X^{*})^2+(Y-Y^{*})^2}\\ 5:&\quad\quad \Delta\theta=atan2(Y^{'}-Y^*,X^{'}-X^*)-atan2(Y-Y^*,X-X^*)\\ 6:&\quad\quad \hat v_t=\frac{\Delta\theta}{\Delta t}\cdot r^*\\ 7:&\quad\quad \hat \omega_t=\frac{\Delta\theta}{\Delta t}\\ 8:&\quad\quad \hat \gamma_t=\frac{\theta^{'}-\theta}{\Delta t}-\hat \omega_t\\ 9:&\quad\quad return\quad prob(v_t-\hat v_t,\alpha_1v^2_t+\alpha_2\omega^2_t)\cdot prob(\omega_t-\hat \omega_t,\alpha_3v^2_t+\alpha_4\omega^2_t)\cdot prob(\hat\gamma_t,\alpha_5v^2_t+\alpha_6\omega^2_t)\end{aligned} 1:2:3:4:5:6:7:8:9:​Algorithmmotion_model_velocity(xt​,ut​,xt−1​):μ=21​(Y−Y′)cosθ−(X−X′)sinθ(X−X′)cosθ+(Y−Y′)sinθ​X∗=21​(X+X′)+μ(Y−Y′)Y∗=21​(Y+Y′)+μ(X′−X)r∗=(X−X∗)2+(Y−Y∗)2 ​Δθ=atan2(Y′−Y∗,X′−X∗)−atan2(Y−Y∗,X−X∗)v^t​=ΔtΔθ​⋅r∗ω^t​=ΔtΔθ​γ^​t​=Δtθ′−θ​−ω^t​returnprob(vt​−v^t​,α1​vt2​+α2​ωt2​)⋅prob(ωt​−ω^t​,α3​vt2​+α4​ωt2​)⋅prob(γ^​t​,α5​vt2​+α6​ωt2​)​
函数 p r o b ( x , b 2 ) prob(x,b^2) prob(x,b2)用于计算参量 x x x在均值为0、方差为 b 2 b^2 b2下的概率。

可使用正太分布:
A l g o r i t h m p r o b _ n o r m a l _ d i s t r i b u t i o n ( x , b 2 ) : r e t u r n 1 2 π b 2 exp ⁡ ( − 1 2 ⋅ x 2 b 2 ) \begin{aligned} &Algorithm\quad prob\_normal\_distribution(x,b^2):\\ &\quad\quad return\quad \frac{1}{\sqrt{2\pi b^2}}\exp({-\frac{1}{2}\cdot\frac{x^2}{b^2}}) \end{aligned} ​Algorithmprob_normal_distribution(x,b2):return2πb2 ​1​exp(−21​⋅b2x2​)​
或三角形分布:
A l g o r i t h m p r o b _ t r i a n g u l a r _ d i s t r i b u t i o n ( x , b 2 ) : r e t u r n max ⁡ { 0 , 1 6 b − ∣ x ∣ 6 b 2 } \begin{aligned} &Algorithm\quad prob\_triangular\_distribution(x,b^2):\\ &\quad\quad return\quad \max\{0,\frac{1}{\sqrt 6b}-\frac{|x|}{6b^2}\} \end{aligned} ​Algorithmprob_triangular_distribution(x,b2):returnmax{0,6 ​b1​−6b2∣x∣​}​

算法效果

在平面空间XOY下,设置机器人具有相同的初始姿态 x t − 1 x_{t-1} xt−1​和控制量 u t u_t ut​,则在不同里程计噪声参数下,模型具有不同效果。

当机器人具有中等误差(参数 α 1 \alpha_1 α1​ ~ α 6 \alpha_6 α6​),则如图所示:
概率机器人:速度运动模型

当机器人具有较大的平移误差(参数 α 1 、 α 2 \alpha_1、\alpha_2 α1​、α2​),但具有较小的角度误差(参数 α 3 、 α 4 \alpha_3、\alpha_4 α3​、α4​),则如图所示:

概率机器人:速度运动模型

当机器人具有较小的平移误差(参数 α 1 、 α 2 \alpha_1、\alpha_2 α1​、α2​),但具有较大的角度误差(参数 α 3 、 α 4 \alpha_3、\alpha_4 α3​、α4​),则如图所示:
概率机器人:速度运动模型

采样算法

算法推导

针对速度运动模型,采用粒子滤波计算噪声项并带入公式计算即可得到预测位姿。

算法设计

系统输入: 初始位姿 x t − 1 = [ X Y θ ] T x_{t-1}=\begin{bmatrix}X&Y&\theta\end{bmatrix}^T xt−1​=[X​Y​θ​]T、控制量 u t = [ v t ω t ] T u_t=\begin{bmatrix}v_t&\omega_t\end{bmatrix}^T ut​=[vt​​ωt​​]T

系统输出: 估计后继姿态 x t = [ X ′ Y ′ θ ′ ] T x_t=\begin{bmatrix}X^{'}&Y^{'}&\theta^{'}\end{bmatrix}^T xt​=[X′​Y′​θ′​]T

假设条件: 控制算法以固定时间间隔 Δ t \Delta t Δt执行。

采样算法采用粒子滤波进行,旨在根据给定的控制量 u t u_t ut​和初始位姿 x t − 1 x_{t-1} xt−1​,采用运动模型 p ( x t ∣ u t , x t − 1 ) p(x_t | u_t,x_{t-1}) p(xt​∣ut​,xt−1​)产生一个随机的 x t x_t xt​,算法的设计流程如下:
A l g o r i t h m s a m p l e _ m o t i o n _ m o d e l _ v e l o c i t y ( u t , x t − 1 ) : 1 : v ^ t = v t + s a m p l e ( α 1 v t 2 + α 2 ω t 2 ) 2 : ω ^ t = ω t + s a m p l e ( α 3 v t 2 + α 4 ω t 2 ) 3 : γ ^ t = s a m p l e ( α 5 v t 2 + α 6 ω t 2 ) 4 : x ′ = x − v ^ t ω ^ t sin ⁡ θ + v ^ t ω ^ t sin ⁡ ( θ + ω ^ t Δ t ) 5 : y ′ = y + v ^ t ω ^ t cos ⁡ θ − v ^ t ω ^ t cos ⁡ ( θ + ω ^ t Δ t ) 6 : θ ′ = θ + ω ^ t Δ t + γ ^ t Δ t 7 : r e t u r n x t = [ x ′ y ′ θ ′ ] T \begin{aligned} &Algorithm\quad sample\_motion\_model\_velocity(u_t,x_{t-1}):\\ 1:&\quad\quad \hat v_t=v_t+sample(\alpha_1 v^2_t+\alpha_2\omega^2_t) \\ 2:&\quad\quad \hat \omega_t=\omega_t+sample(\alpha_3 v^2_t+\alpha_4\omega^2_t) \\ 3:&\quad\quad \hat \gamma_t=sample(\alpha_5 v^2_t+\alpha_6\omega^2_t) \\ 4:&\quad\quad x^{'}=x-\frac{\hat v_t}{\hat \omega_t}\sin\theta+\frac{\hat v_t}{\hat \omega_t}\sin(\theta+\hat\omega_t\Delta t) \\ 5:&\quad\quad y^{'}=y+\frac{\hat v_t}{\hat \omega_t}\cos\theta-\frac{\hat v_t}{\hat \omega_t}\cos(\theta+\hat\omega_t\Delta t) \\ 6:&\quad\quad \theta^{'}=\theta+\hat\omega_t\Delta t+\hat\gamma_t\Delta t \\ 7:&\quad\quad return\quad x_t=\begin{bmatrix}x^{'}&y^{'}&\theta^{'}\end{bmatrix}^T \end{aligned} 1:2:3:4:5:6:7:​Algorithmsample_motion_model_velocity(ut​,xt−1​):v^t​=vt​+sample(α1​vt2​+α2​ωt2​)ω^t​=ωt​+sample(α3​vt2​+α4​ωt2​)γ^​t​=sample(α5​vt2​+α6​ωt2​)x′=x−ω^t​v^t​​sinθ+ω^t​v^t​​sin(θ+ω^t​Δt)y′=y+ω^t​v^t​​cosθ−ω^t​v^t​​cos(θ+ω^t​Δt)θ′=θ+ω^t​Δt+γ^​t​Δtreturnxt​=[x′​y′​θ′​]T​

首先,1~3行采用运动学模型误差产生控制量的噪声;随后,4~6行使用噪声生成新的机器人位姿。式中函数 s a m p l e ( b 2 ) sample(b^2) sample(b2)用于产生以0为均值, b 2 b^2 b2为方差的随机样本。

可使用(近似)正态分布实现函数:
A l g o r i t h m s a m p l e _ n o r m a l _ d i s t r i b u t i o n ( b 2 ) : r e t u r n 1 2 ∑ i = 1 12 r a n d ( − b , b ) \begin{aligned} &Algorithm\quad sample\_normal\_distribution(b^2):\\ &\quad\quad return\quad \frac{1}{2}\sum_{i=1}^{12}rand(-b,b) \end{aligned} ​Algorithmsample_normal_distribution(b2):return21​i=1∑12​rand(−b,b)​
或使用三角形分布实现函数:
A l g o r i t h m s a m p l e _ t r i a n g u l a r _ d i s t r i b u t i o n ( b 2 ) : r e t u r n 6 2 [ r a n d ( − b , b ) + r a n d ( − b , b ) ] \begin{aligned} &Algorithm\quad sample\_triangular\_distribution(b^2):\\ &\quad\quad return\quad \frac{\sqrt6}{2}[rand(-b,b)+rand(-b,b)] \end{aligned} ​Algorithmsample_triangular_distribution(b2):return26 ​​[rand(−b,b)+rand(−b,b)]​
式中,函数 r a n d ( x , y ) rand(x,y) rand(x,y)用于在 x x x到 y y y之间生成一个均匀分布的伪随机数产生器。

算法效果

在平面空间XOY下,设置机器人具有相同的初始姿态 x t − 1 x_{t-1} xt−1​和控制量 u t u_t ut​,且控制量与初始位姿同闭式计算中相同,则在不同不同里程计噪声参数下,具有不同效果。

当机器人具有中等误差(参数 α 1 \alpha_1 α1​ ~ α 6 \alpha_6 α6​),则如图所示:

概率机器人:速度运动模型

当机器人具有较大的平移误差(参数 α 1 、 α 2 \alpha_1、\alpha_2 α1​、α2​),但具有较小的角度误差(参数 α 3 、 α 4 \alpha_3、\alpha_4 α3​、α4​),则如图所示:

概率机器人:速度运动模型

当机器人具有较小的平移误差(参数 α 1 、 α 2 \alpha_1、\alpha_2 α1​、α2​),但具有较大的角度误差(参数 α 3 、 α 4 \alpha_3、\alpha_4 α3​、α4​),则如图所示:
概率机器人:速度运动模型

上一篇:Prometheus


下一篇:DOS命令的学习