Gambaran keseluruhan perancangan laluan: berdasarkan pensampelan, carian dan pengoptimuman, semuanya selesai!

1 Gambaran keseluruhan kawalan keputusan dan perancangan gerakan

Kaedah kawalan keputusan semasa boleh dibahagikan kepada tiga kategori: perancangan berurutan, perancangan sedar tingkah laku dan perancangan hujung ke hujung.

• perancangan berurutan: Kaedah yang paling tradisional, tiga bahagian persepsi, keputusan dan kawalan adalah agak jelas
• perancangan yang menyerlahkan tingkah laku yang pertama: Comparison aware; pengenalan kerjasama manusia-mesin Pemanduan, kerjasama kenderaan-jalan, dan anggaran risiko kenderaan kepada persekitaran dinamik luaran
• perancangan hujung ke hujung: teknologi DL dan DRL, dengan bantuan sejumlah besar latihan data, memperoleh; segala-galanya daripada maklumat deria seperti imej kepada input kawalan kenderaan seperti sudut stereng Perhubungan adalah salah satu kaedah yang paling popular pada masa kini.

Artikel ini akan memperkenalkan perancangan berurutan, menerangkan proses kawalan persepsi kenderaan autonomi mengikut keseluruhan urutan kawalan keputusan, dan akhirnya merumuskan secara ringkas masalah yang perlu diselesaikan yang dinyatakan di atas.

Kontrol Senibina untuk kenderaan automatik

2 Proses Perancangan Perancangan Pathsequential diringkaskan secara ringkas sebagai perancangan Path- & gt; diterangkan dalam artikel ini Perancangan tergolong dalam langkah pertama dan ketiga.

//m.sbmmt.com/link/aa7d66ed4b1c618962d406535c4d282a

Mengenai masalah penjanaan trajektori untuk kenderaan tanpa pemandu🜎 terdapat dua jenis kenderaan tanpa pemandu:

kaedah penguraian halaju laluan , berbanding yang pertama, kelajuan laluan adalah kurang sukar, jadi ia lebih biasa digunakan.

2.1 Jenis perancangan laluan

Perancangan laluan boleh dibahagikan kepada empat kategori utama: algoritma berdasarkan sampling diwakili oleh PRM dan RRT, algoritma berdasarkan carian diwakili oleh penjanaan A* dan D*, algoritma berdasarkan

interpolasi

pemasangan yang diwakili oleh lengkung β-spline, dan algoritma kawalan optimum untuk perancangan laluan tempatan yang diwakili oleh MPC. Bahagian ini akan diterangkan dalam susunan di atas:

Semakan Algoritma Teknologi Perancangan Pergerakan3.1.1 Algoritma asas PRM dan RRT

Algoritma PRM (Peta Jalan Kebarangkalian). PRM terutamanya terdiri daripada dua langkah, satu peringkat pembelajaran dan satu lagi peringkat pertanyaan.

Langkah pertama, peringkat pembelajaran: sampel n titik secara seragam dan rawak di kawasan selamat dalam ruang keadaan, dan padamkan titik di mana sampel jatuh pada halangan, kemudian sambungkan titik bersebelahan dan lakukan pengesanan perlanggaran, dan hapuskan bukan -perlanggaran -sambungan bebas, dan akhirnya mendapat graf bersambung.

Langkah kedua, peringkat pertanyaan: Untuk sepasang keadaan awal dan sasaran tertentu, gunakan nod pensampelan dan kesinambungan yang dibina dalam langkah sebelumnya dan gunakan kaedah carian graf (Dijkstra atau A*) untuk mencari laluan yang boleh dilaksanakan.

Selepas menyiapkan pembinaan PRM, ia boleh digunakan untuk menyelesaikan masalah perancangan gerakan dalam keadaan awal dan sasaran yang berbeza, tetapi ciri ini tidak diperlukan untuk perancangan gerakan kenderaan tanpa pemandu. Di samping itu, PRM memerlukan sambungan yang tepat antara negeri, yang sangat sukar untuk masalah perancangan gerakan dengan kekangan pembezaan yang kompleks.

(2) RRT

RRT (Penerokaan Random Tree) dengan pantas. RRT sebenarnya mewakili satu siri algoritma berdasarkan idea pokok yang tumbuh secara rawak Ia kini merupakan algoritma yang paling banyak digunakan dengan varian pengoptimuman paling banyak dalam bidang robotik

① Permulaan pokok. set nod dan set tepi pokok , set nod hanya mengandungi keadaan awal, dan set tepi kosong

② Pertumbuhan pokok: Sampel ruang keadaan secara rawak Apabila titik pensampelan jatuh di kawasan selamat ruang keadaan, pilih nod yang paling hampir dengan titik pensampelan dalam pokok semasa dan lanjutkan ke titik pensampelan trajektori tidak disambungkan dengan halangan Jika objek berlanggar, trajektori ditambah pada set tepi pokok, dan titik akhir trajektori ditambah pada set nod pokok

③ Ulang langkah ② sehingga ia berkembang kepada set keadaan sasaran Berbanding dengan graf tidak terarah PRM, RRT Apa yang dibina ialah struktur pokok dengan keadaan awal sebagai nod akar dan keadaan sasaran sebagai nod daun Untuk keadaan awal dan sasaran yang berbeza, pokok yang berbeza perlu dibina.

RRT tidak memerlukan sambungan yang tepat antara negeri dan lebih sesuai untuk menyelesaikan masalah dinamik pergerakan seperti perancangan pergerakan kenderaan tanpa pemandu.

3.1.2 Masalah dan penyelesaian kaedah pensampelan

Menyelesaikan kecekapan dan sama ada ia adalah penyelesaian yang optimum. Sebab mengapa PRM dan RRT mempunyai kebarangkalian kesempurnaan adalah kerana ia akan merentasi hampir semua kedudukan dalam ruang konfigurasi.

(1) Menyelesaikan kecekapan

Dari segi meningkatkan menyelesaikan kecekapan, idea teras ​​mengoptimumkan RRT ialah membimbing pokok ke kawasan lapang iaitu cuba menjauhi halangan dan mengelakkan pemeriksaan berulang nod pada halangan Ini meningkatkan kecekapan. Penyelesaian utama:

① Persampelan seragam

Algoritma RRT piawai mensampel ruang keadaan secara seragam dan rawak Kebarangkalian nod dalam pokok semasa mendapat pengembangan adalah berkadar dengan kawasan nya. pokok itu akan bergerak ke arah negeri kawasan ruang kosong tumbuh, memenuhi kawasan bebas ruang negeri secara seragam. Algoritma

RRT-connect secara serentak membina dua pokok bermula dari

awalkeadaan dan sasarannya masing-masing Apabila kedua-dua pokok tumbuh bersama, penyelesaian yang boleh dilaksanakan. Go-biaing memasukkan keadaan sasaran pada perkadaran tertentu ke dalam jujukan pensampelan rawak, membimbing pokok untuk berkembang ke arah keadaan sasaran, mempercepatkan penyelesaian dan meningkatkan kualiti penyelesaian.

heuristik RRT menggunakan fungsi heuristik untuk meningkatkan kebarangkalian pensampelan nod dengan kos pengembangan yang rendah dan mengira kos setiap nod dalam pepohon Walau bagaimanapun, dalam persekitaran yang kompleks, definisi fungsi kos adalah sukar untuk menyelesaikan masalah ini. f Kaedah pensampelan -bias mula-mula mendiskrisikan ruang keadaan menjadi grid, dan kemudian menggunakan algoritma Dijkstra untuk mengira kos pada setiap grid Nilai kos mata dalam kawasan grid adalah sama dengan nilai ini , dengan itu membina fungsi heuristik.

② Metrik jarak yang dioptimumkan

Jarak digunakan untuk mengukur kos laluan antara dua konfigurasi, membantu dalam menjana fungsi kos heuristik dan membimbing arah pokok. Walau bagaimanapun, pengiraan jarak adalah sukar apabila halangan dipertimbangkan. Definisi jarak dalam perancangan gerakan menggunakan definisi yang serupa dengan jarak Euclidean. RG-RRT (RRT berpandukan rechability) boleh menghapuskan kesan jarak yang tidak tepat pada keupayaan penerokaan RRT Ia perlu mengira set nod yang boleh dicapai dalam pepohon Apabila jarak dari titik pensampelan ke nod adalah lebih besar daripada set boleh dicapai nod, jarak, nod boleh dipilih untuk pengembangan. . titik. resolusi lengkap RRT memperoleh kebarangkalian pengembangan dengan

mengurangkan nod dekat dengan halangan

Ia mendiskrisikan ruang input dan hanya menggunakannya sekali untuk input nod tertentu jika trajektori yang sepadan dengan input tertentu bertembung dengan halangan, maka A yang sepadan nilai penalti ditambah pada nod Semakin tinggi nilai penalti, semakin kecil kebarangkalian bahawa nod akan dikembangkan. RRT domain dinamik dan RRT domain dinamik adaptif mengehadkan kawasan pensampelan kepada ruang tempatan di mana pokok semasa terletak untuk mengelakkan nod yang hampir dengan halangan daripada kegagalan pengembangan berulang dan meningkatkan kecekapan algoritma.

④ Tingkatkan prestasi masa nyata

Bila-bila masa RRT mula-mula membina RRT dengan cepat, memperoleh penyelesaian yang boleh dilaksanakan dan merekodkan kosnya, dan kemudian meneruskan pensampelan, tetapi hanya memasukkan nod yang bermanfaat untuk mengurangkan kos penyelesaian yang boleh dilaksanakan ke dalam pokok, dengan itu secara beransur-ansur memperoleh penyelesaian yang lebih baik. Perancangan semula menguraikan keseluruhan tugas perancangan kepada beberapa jujukan subtugasan masa yang sama, dan merancang tugas seterusnya semasa melaksanakan tugas semasa. (2) Terdapat terutamanya kaedah berikut untuk menyelesaikan masalah optimum

:

Algoritma RGG (graf geometri rawak): PRM dengan sifat optimum asimptotik yang dipertingkatkan pada PRM standard dan RRT berdasarkan teori graf geometri rawak Algoritma RRG dan RRT

secara rawak mengambil n titik dalam ruang keadaan dan menyambungkan titik dengan jarak kurang daripada r(n) untuk membentuk RGG.

RRT* Algoritma: Perkenalkan langkah "penyambungan semula" berdasarkan RRG untuk menyemak sama ada nod induk yang baru dimasukkan sebagai nod induk bagi titik bersebelahannya akan mengurangkan kos titik bersebelahan jika berlaku, alih keluar induk dan anak asal titik bersebelahan, mengambil titik sisipan semasa sebagai nod induknya, ini ialah algoritma RRT*.

Algoritma LBT-RRT: Sebilangan besar sambungan nod dan pelarasan setempat menjadikan PRM dan RRT sangat tidak cekap. Algoritma LBT-RRT menggabungkan algoritma RRG dan RRT* untuk mendapatkan kecekapan yang lebih tinggi pada premis mendapatkan optimum tanpa gejala. . penyelesaian optimum

, algoritma kategori ini agak matang.

Asas algoritma berasaskan carian ialah kekisi keadaan ialah pendiskretan ruang keadaan Ia terdiri daripada nod keadaan dan primitif gerakan yang bermula dari nod dan mencapai nod bersebelahan. Nod keadaan boleh melepasi gerakan primitifnya bertukar kepada nod keadaan lain. Kekisi keadaan menukarkan ruang keadaan berterusan asal kepada graf carian Masalah perancangan gerakan menjadi mencari siri primitif gerakan yang mengubah keadaan awal kepada keadaan sasaran dalam graf Selepas membina kekisi keadaan, anda boleh menggunakan carian graf algoritma untuk mencari trajektori yang optimum. 3.2.1 Pembinaan algoritma asas Dijkstra dan A*Algoritma Dijkstra merentasi keseluruhan ruang konfigurasi, mencari jarak antara setiap dua grid, dan akhirnya memilih laluan terpendek dari titik permulaan ke titik sasaran, dengan keluasan priority Nature membawa kepada kecekapan yang sangat rendah Menambah fungsi heuristik pada algoritma ini, iaitu jarak dari nod yang dicari ke nod sasaran, dan mencari semula berdasarkan ini boleh mengelakkan ketidakcekapan yang disebabkan oleh carian global. Ini ialah A *Algoritma , seperti yang ditunjukkan dalam rajah di bawah, merah ialah kawasan carian.

Rajah 6: Perbandingan kesan algoritma A* dan Dijkstra

3.2.2 Masalah dan cadangan kaedah carian

Sama seperti algoritma berasaskan pensampelan juga perlu cekap dan algoritma ini. pengoptimuman seksual yang optimum.

Dari segi meningkatkan kecekapan, A* sendiri ialah algoritma perancangan statik Lanjutan daripada algoritma A* adalah berwajaran A*, yang seterusnya membimbing arah carian ke nod sasaran dengan meningkatkan berat fungsi heuristik kelajuan sangat pantas, tetapi Ia mudah untuk jatuh ke dalam minima tempatan dan tidak dapat menjamin penyelesaian optimum global.

Untuk kenderaan bergerak, menggunakan algoritma terbitan A* D (dinamik A) boleh meningkatkan kecekapan. Juga berdasarkan pengaturcaraan dinamik ialah LPA Algoritma ini boleh mengendalikan keadaan di mana kos primitif gerakan grid keadaan berubah-ubah apabila persekitaran berubah, pelan optimum baharu boleh dirancang dengan mencari semula bilangan yang lebih kecil nod. Dibangunkan berdasarkan LPA

, D*-Lite boleh mencapai hasil yang sama seperti D*, tetapi dengan kecekapan yang lebih tinggi.

Apabila mencari penyelesaian optimum, ARA* ialah algoritma carian bila-bila masa yang dibangunkan berdasarkan Weighted A* Ia memanggil algoritma Weighted A* beberapa kali dan mengurangkan berat fungsi heuristik dengan setiap panggilan boleh mencari penyelesaian yang boleh dilaksanakan dengan cepat Dengan memperkenalkan set INCONS, setiap kitaran boleh terus menggunakan maklumat kitaran sebelumnya untuk mengoptimumkan laluan dan secara beransur-ansur mendekati penyelesaian optimum.

Dari segi kecekapan dan pengoptimuman algoritma mengimbangi, Sandin aine et al mencadangkan algoritma MHA*, yang memperkenalkan pelbagai fungsi heuristik untuk memastikan bahawa salah satu fungsi heuristik dapat mencari penyelesaian optimum apabila digunakan secara bersendirian, dengan itu melalui penyelarasan Kos laluan. yang dihasilkan oleh fungsi heuristik yang berbeza boleh mengambil kira kecekapan dan keoptimuman algoritma. DMHA menjana fungsi heuristik yang sesuai dalam talian dan dalam masa nyata berdasarkan MHA, dengan itu mengelakkan masalah minimum setempat.

3.3 Algoritma berdasarkan padanan interpolasi

Algoritma berdasarkan pada interpolasi boleh ditakrifkan sebagai: berdasarkan siri set titik yang diketahui digunakan untuk menggambarkan peta jalan, dengan menggunakan interpolasi data dan

kaedah pemasangan lengkung

mencipta laluan

yang akan dilalui oleh kereta pintar, yang boleh memberikan

kesinambungan

dan lebih tinggi

kebolehbezaan. Kaedah khusus adalah seperti berikut:

Keluk Dubai dan keluk Reeds and Sheep (RS) ialah laluan terpendek yang menghubungkan mana-mana dua titik dalam ruang konfigurasi, sepadan dengan situasi tanpa membalikkan dan dengan membalikkan masing-masing. Kesemuanya terdiri daripada lengkok kelengkungan maksimum dan garis lurus Terdapat ketakselanjaran kelengkungan pada sambungan antara lengkok dan garis lurus Apabila kenderaan sebenar bergerak pada selekoh sedemikian, ia mesti berhenti dan melaraskan stereng pada ketakselanjaran. kelengkungan untuk meneruskan pemanduan.

Keluk interpolasi polinomial

ialah kaedah yang paling biasa digunakan Ia boleh menetapkan pekali polinomial dengan memenuhi keperluan nod dan memperoleh kebolehbezaan berterusan yang lebih baik selalunya digunakan untuk kawalan kekangan membujur, dan polinomial tertib kelima selalunya. digunakan untuk kawalan kekangan membujur. Polinomial sering digunakan dalam kawalan kekangan sisi, dan polinomial tertib ketiga juga digunakan dalam memotong trajektori.

Keluk spline mempunyai ekspresi tertutup dan boleh memastikan kesinambungan kelengkungan dengan mudah. Lengkung β-spline boleh mencapai kesinambungan kelengkungan, dan lengkung Bezier kubik boleh memastikan kesinambungan dan sempadan kelengkungan, dan jumlah pengiraan adalah agak kecil. Lengkung η^3 [43] ialah lengkung splin tujuh darjah, yang mempunyai sifat yang sangat baik: kesinambungan kelengkungan dan kesinambungan derivatif kelengkungan, yang sangat bermakna untuk kenderaan berkelajuan tinggi.

3.4 Algoritma berdasarkan kawalan optimum

Algoritma berdasarkan kawalan optimum diklasifikasikan ke dalam perancangan laluan, terutamanya kerana MPC boleh melakukan perancangan laluan tempatan untuk mengelakkan halangan Selain itu, MPC terutamanya Fungsinya adalah untuk menjejaki trajektori kepada kekangan dinamik dan kinematik yang diperlukan, isu yang dipertimbangkannya juga harus mempertimbangkan keselesaan, ketidakpastian maklumat deria, ketidakpastian komunikasi antara kenderaan pada masa hadapan, dan apabila merancang trajektori tempatan Pemandu juga boleh dimasukkan ke dalam gelung kawalan. Isu ketidakpastian yang disebutkan di atas dan memasukkan pemandu ke dalam gelung kawalan akan dibincangkan dalam Bahagian 4. Kajian MPC terutamanya bermula dari dua aspek: teori pengoptimuman dan amalan kejuruteraan. Untuk yang pertama, saya mengesyorkan Algoritma Pengoptimuman Convex oleh Dimitri P. Bertsekas dan Kawalan Ramalan Model: Teori, Pengiraan dan Reka Bentuk oleh James B. Rawlings. Dalam bidang bahasa Cina, buku pengoptimuman cikgu Liu Haoyang secara peribadi merasakan bahawa ia agak jelas dan mudah difahami. Untuk yang kedua, pertama sekali, buku MPC memandu sendiri Teacher Gong Jianwei amat disyorkan Terdapat masalah dengan demo dalam versi lama buku itu, tetapi semuanya telah diselesaikan dalam versi baharu.

Terdapat banyak jenis model ramalan yang digunakan oleh MPC: seperti rangkaian neural konvolusi, kawalan kabur, ruang keadaan, dan lain-lain. Antaranya, yang paling biasa digunakan ialah kaedah ruang keadaan. MPC boleh dinyatakan secara ringkas sebagai: apabila kekangan dinamik, kinematik, dll. yang diperlukan dipenuhi, penyelesaian optimum model diselesaikan melalui cara berangka Penyelesaian optimum ialah pembolehubah kawalan persamaan keadaan, seperti sudut stereng , dsb., dan Gunakan kuantiti kawalan pada model kereta untuk mendapatkan kuantiti keadaan yang diperlukan, seperti kelajuan, pecutan, koordinat, dsb.

Dapat dilihat dari huraian di atas bahawa kunci kepada MPC terletak pada penubuhan dan penyelesaian model Cara untuk memudahkan penubuhan model dan meningkatkan kecekapan penyelesaian adalah keutamaan. Kenderaan akan mengambil trajektori yang berbeza di bawah input kawalan yang berbeza, dan setiap trajektori sepadan dengan nilai fungsi objektif Kenderaan tanpa pemandu akan menggunakan algoritma penyelesaian untuk mencari kuantiti kawalan yang sepadan dengan nilai fungsi objektif minimum, dan menggunakannya pada kenderaan di atas , seperti yang ditunjukkan dalam rajah di bawah:

Untuk mengurangkan kesukaran pemodelan, model medan tenaga potensi buatan juga digunakan untuk pemodelan Idea asas medan tenaga berpotensi buatan adalah serupa dengan medan elektrik, dan halangan di jalan raya adalah serupa dengan sumber medan dalam medan elektrik Caj dengan kekutuban cas yang berbeza. Tenaga potensi pada halangan (dinamik, statik) adalah lebih tinggi, dan kenderaan tanpa pemandu akan bergerak ke arah kedudukan tenaga berpotensi rendah.

4 Projek Sumber Terbuka

Syorkan projek sumber terbuka CppRobotics:

• Perancangan Laluan
• Dijkstra
• A Star
• RT Approbotics Penjana Trajektori
• Perancang Spline Kubik
• State Lattice Planner
• Frenet Frame Trajectory
• 5 Kaedah pembelajaran

Konteks pembelajaran untuk bermula dalam bidang baharu ialah: Kejuruteraan,

Teori

dan perancangan secara manual contoh: 5.1 Kejuruteraan

merujuk kepada memahami kandungan setiap algoritma perancangan laluan, sambil memahami kandungan setiap algoritma daripada keluasan, dan pada masa yang sama mempelajari butiran setiap algoritma dari

kedalaman

. Mengenai algoritma dalam bidang perancangan laluan, pada masa ini tiada tutorial yang komprehensif, tetapi perancangan gerakan NMPC Gong Jianwei boleh menjadi rujukan. 5.2 Teori

merujuk kepada pemahaman prinsip matematik yang menyokong operasi algoritma ini dan sebab mengapa algoritma ini dijana (perspektif matematik).

Membina fungsi objektif dan kekangan dan mencari nilai ekstrem pada masa yang sama untuk mendapatkan pembolehubah kawalan optimum (laluan), yang tergolong dalam

Teori Pengoptimuman

• Kaedah Newton biasa, kaedah turunan paling curam, dsb biasa digunakan semasa menyelesaikan pembolehubah kawalan optimum Intipati kaedah penyelesaian berangka ini datang daripada penyelesaian persamaan algebra secara berangka dan tergolong dalam analisis berangka; matriks Jacobian terbitan yang dilihat dalam proses penyelesaian, norma vektor dalam keadaan penghakiman, dsb., pada asasnya untuk menukar penyelesaian berangka satu dimensi mencapai dimensi tinggi dan tergolong dalam
teori matriks
• .
• 5.3 Visi
merujuk kepada pemahaman aplikasi utama perancangan laluan dalam penyelidikan saintifik dan perusahaan, menggunakan dokumen penyelidikan saintifik dan laporan keputusan, dsb.

6 Ringkasan

Artikel ini memperkenalkan garis besar perancangan laluan semasa dan memahami kaedah perancangan laluan semasa. Kandungannya sangat rumit, dan sukar untuk mempelajari semuanya dalam tempoh yang singkat tanpa orientasi aplikasi praktikal Anda hanya boleh menumpukan pada pembelajaran apabila diperlukan.