环境感知与规划专题（十一）——状态栅格规划器（State Lattice Planner）

前言

 前几篇中介绍了几种路径搜索算法，其中既有基于图搜索的路径搜索算法（如A*），也有基于采样的路径搜索算法（如RRT、RRT*）。通过路径搜索算法，我们能够得到一条可通行的路径，然而，对于这条路径中的路标点（Waypoint）之间的路径往往是不符合机器人（无人机\无人车）动力学模型的。

 因此，对于每一个路标点（Waypoint）之间的连接路径，我们需要进行进一步的优化，从而得到一条符合机器人（无人机\无人车）动力学约束的可通行的运动学连接（feasible motion connections）。

 如上图中实线为前端路径搜索得到的可通行路径，而虚线为后端轨迹优化得到的符合动力学模型的可通行路径。经典的运动规划算法框架，往往由前端路径搜索与后端轨迹优化组成，在得到满足运动学的可通行的运动连接后，才能够将这条优化后的轨迹指令下达至控制器执行。

 这也是本文重点讨论的基于采样的路径规划算法——状态栅格规划器（State Lattice Planner）。

状态栅格搜索（State Lattice Search）

 在构建状态栅格之前，我们需要对被控对象进行运动学分析，即建立对应的运动学模型，这里以简单的无人车模型为例，如下图所示，我们可以将其简化为自行车模型：

 运动学模型主要描述了位置、速度、加速度、转向角度等等状态量在时间上的状态转移，以及对于我们所关心的这些状态量的边界条件进行约束。

 在得到被控对象的运动学方程后，我们可以开始正式构建状态栅格，对于State Lattice Search，我们通常有两种采样方式：

• 基于控制空间（Control Space)的采样

 在RRT*算法中，我们对空间中的位置点进行随机采样，那么，在控制空间中，我们应该如何进行采样呢？

 很简单，在已知被控对象的情况下，我们固定输入量$u$（控制量）与积分时间$T$，由此进行前向积分即可得到被控对象从任意初始状态 s 0 s_{0} s