12、运动模式建模与规划：CLiFF - map的应用与发展

运动模式建模与规划：CLiFF - map的应用与发展

1. 不同插补方法对稳定性的影响

在评估过程中，不同稳定性水平的区域十分有趣。从相关图中可以看到，在图4.27b里地图中心是稳定的，但在图4.28b中相同区域的得分变差了。这是由插补方法的差异导致的。
- MC插补法 ：MC会保留所有虚拟样本，因此能够对湍流风行为进行建模。它构建的是一组更相似的湍流模型。
- NW插补法 ：NW则对虚拟观测值进行平均，以找到主导风向。它构建的模型有着明显的主导方向。这种平滑分布在不同数据集之间可能差异很大，从而使稳定性得分变差。至于哪种行为更可取，取决于具体的应用场景。

2. CLiFF - map构建指南

在从观测数据构建CLiFF - map的过程中，关键的设计选择是挑选合适的聚类方法。不同的聚类方法会对最终的SWGMM产生不同影响。
| 聚类方法 | 特点 |
| ---- | ---- |
| Isotropic MS | 能发现大量的聚类，在数据集中找到多个聚类 |
| OPTICS | 提供数据集中主导方向的信息 |

在致密化过程中，核的大小对最终地图的质量有主要影响：
- 核太大：会使最终地图变得平滑。
- 核太小：会导致流模型中快速变化占主导。

3. CLiFF - map的优势

CLiFF - map（圆形线性流场地图）具有多种优势：
- 灵活性 ：可以用于对不同现象进行建模，如人流或湍流气流。而且其表示方式不局限于像CT - map那样的网格地图，分布可以放置在任意位置，对环境的任意部分的运动模式进行建模。
- 数据处理 ：不仅能压缩描述运动模式的数据，还能提取关于运动模式的信息。每个半包裹高斯混合模型的均值对应着运动模式的主导方向；每个模式的协方差矩阵描述了方向和速度的变异性，还明确建模了给定模式下速度和方向之间的依赖关系；混合因子则对给定方向上的相对运动强度进行建模。
- 鲁棒性 ：该方法对不完整数据具有鲁棒性，由于其局部性，能够在观测位置对运动模式进行建模。在轨迹映射中，不完整数据很难处理，但CLiFF - map可以应对。
- 对运动规划的改进 ：CLiFF - map能显著提高运动规划器的性能。与现有方法不同，它保留了运动模式的多模态特征，并为运动规划器明确提供这些信息。

4. CLiFF - map的局限性

尽管CLiFF - map有诸多优势，但也存在一些局限性：
- 全局运动模式建模不足 ：无法明确建模全局运动模式，如环境中连接源和汇的流。并且不能对分布之间的条件依赖关系进行建模，这会在多个交叉运动可观测的区域增加表示的模糊性。
- 正态分布假设 ：引入了速度在方向和速度上遵循正态分布的强假设。在某些情况下，尤其是分布不对称时，可能会导致模型性能下降。
- 离散分布问题 ：提出的分布是离散的，这意味着地图不包含两个观测位置之间的运动模式信息。不过，可以使用致密化程序来估计相关位置的分布。

5. MoDs在运动规划中的优势

地图的动态信息对运动规划有益。以机场场景为例，机器人在长走廊规划路径时，如果选择一侧可能更易遇到迎面而来的人，需要重新规划路径或做出反应以避免碰撞；而选择另一侧则可以顺着人流，避免额外的操作，节省时间且不那么具有侵入性。
利用MoDs的另一个优势是可以利用现有的运动模式来引导机器人，从而实现更平滑的路径和更快的规划。其核心思想是将对MoD中表示的流的遵循纳入运动规划算法的子单元（如成本函数、采样机制），使运动规划器遵循局部和隐含的交通规则。

6. 流程总结

下面是CLiFF - map构建及应用的流程：

graph LR
    A[数据观测] --> B[聚类方法选择]
    B --> C[CLiFF - map构建]
    C --> D[致密化处理]
    D --> E[CLiFF - map应用于运动规划]

综上所述，CLiFF - map在运动模式建模和运动规划方面具有重要作用，但也存在一定的局限性，后续需要不断改进和发展。

运动模式建模与规划：CLiFF - map的应用与发展

7. CLiFF - map的未来发展方向

CLiFF - map虽然已经展现出诸多优势，但仍有很大的发展空间，以下是一些可能的发展方向：
- 在线学习 ：目前CLiFF - map是使用离线算法构建的。每当获得新数据时，都需要重新计算分布，这不仅耗时，还需要存储所有先前的观测数据。因此，下一步的发展方向之一是开发一种在线学习方法，能够迭代更新地图的分布，而无需存储先前的观测数据。
- 引入先验知识 ：CLiFF - map目前仅依赖累积的观测数据。考虑到专家知识，应该可以仅基于环境的形状构建先验地图。一旦开发出这样的方法，就可以将其与在线学习相结合进行细化。这样，机器人系统的部署时间将大大缩短，学习过程也将成为日常标准操作的一部分。
- 时间域模式建模 ：当前版本的CLiFF - map无法映射规则周期内动态的变化。正如在CT - map和T - CT - map的情况中提到的，关于流的周期性变化信息对于正确建模当前动态非常重要。这项任务最具挑战性的方面是找到一种内存高效的模型，能够连续建模流的变化。另一个有趣的研究问题是哪种方法最适合在二维不完整信号中检测此类模式。
- 事件相关模式学习 ：除了周期性变化，在某些情况下，流的变化可能由特定事件触发（例如，飞机到达会影响候机楼内的人流）。对于这种情况，重要的是学习这种变化会影响流多长时间以及影响范围有多远。
- 空间信息融入致密化过程 ：之前提出了一种在构建致密地图时考虑环境形状的方法，但这方面还需要更深入的研究。目前的工作隐含假设环境内没有障碍物，但这种假设在实际中很少成立。因此，需要探讨如何将环境形状信息融入地图致密化过程。

8. 空间信息融入致密化过程的具体方法

环境的形状对环境中的流有重要影响，障碍物会中断流并将不同的流彼此隔离。为了在致密化过程中考虑障碍物的存在，提出了一种修改距离度量的方法：
- 核心思想 ：用考虑障碍物的度量替换欧几里得距离。具体来说，提出的距离度量定义为图中节点之间的最短路径。
- 具体操作 ：图的分辨率与感兴趣点（观测位置和估计位置）的位置无关，可以独立选择粒度。当图的节点与感兴趣点不重合时，计算图中最近节点之间的距离，而致密化算法的其余部分保持不变。

通过在模拟软件中构建简单的测试环境进行验证：
| 情况 | 未考虑障碍物 | 考虑障碍物 |
| ---- | ---- | ---- |
| 分布位置 | 分布可能出现在障碍物内部或附近，不尊重障碍物的存在 | 分布不会出现在障碍物内部或附近，减少了跨墙分布的影响 |
| 流估计效果 | 存在明显的不合理情况，如跨墙使用流信息 | 仍存在一些由数据稀疏导致的伪像，但整体效果更好 |

9. 综合对比与总结

下面通过表格对CLiFF - map的优势、局限性以及未来发展方向进行综合对比：
| 方面 | 描述 |
| ---- | ---- |
| 优势 | 灵活性高，可用于多种现象建模；能压缩和提取运动模式信息；对不完整数据鲁棒；提高运动规划性能并保留多模态特征 |
| 局限性 | 无法建模全局运动模式和分布间条件依赖；正态分布假设可能导致模型性能下降；分布离散 |
| 未来发展方向 | 在线学习、引入先验知识、时间域模式建模、事件相关模式学习、空间信息融入致密化过程 |

graph LR
    A[CLiFF - map现状] --> B[优势]
    A --> C[局限性]
    B --> D[继续优化应用]
    C --> E[未来发展方向]
    D --> F[更好的运动规划]
    E --> G[解决现有问题]
    G --> F

综上所述，CLiFF - map在运动模式建模和运动规划领域具有重要的应用价值，但也存在一些需要解决的问题。通过不断探索未来的发展方向，有望进一步提升其性能，使其在更多场景中发挥更大的作用。