ROS Navigation -- base_local_planner

最新推荐文章于 2025-04-01 13:53:25 发布
最新推荐文章于 2025-04-01 13:53:25 发布
阅读量847 收藏 5
点赞数 1
分类专栏： ROS导航 base_local_planner 文章标签： ROS导航 base_local_planner
本文深入探讨了ROS导航堆栈中的base_local_planner模块，解析了其核心算法DWA和TrajectoryRollout的工作原理，介绍了如何通过采样控制空间、前向模拟和轨迹评估来生成速度命令，避免障碍并达到目标。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

ROS Navigation – base_local_planner概述

ROS Navigation – base_local_planner

使用算法：trajectory Rollout and Dynamic Window approaches。
输入：全局规划、costmap
输出：速度命令
适用对象：全向和非全向
机器人轮廓：凸多边形或者圆形

概述

Trajectory Rollout and Dynamic Window Approach (DWA)算法基本理念如下:
在这里插入图片描述

1、在机器人控制空间离散的采样(dx,dy,dtheta)
2、拿采样的离散点做前向模拟，基于机器人当前状态，预测如果使用空间采样点的速度运动一段时间，会发生什么
3、评估前向模拟的每条轨迹，评估标准包括（接近障碍，接近目标，接近全局路径和速度）。丢弃不合法的轨迹（如可能碰到障碍物的轨迹）
4、采用得分最高的轨迹，并将其对应速度发给底座
5、重复以上步骤

DWA和Trajectory Rollout区别：控制空间采样差异
Trajectory Rollout：前向模拟阶段所有速度集合
DWA：更小的采样空间。（效率更高，较为推荐）

1.1 map grip

每个控制周期，在机器人周围创建栅格地图（大小为局部成本地图大小，由move_base决定）。
为接近目标的轨迹评分时，考虑的目标为局部目标。

2震荡抑制

为了防止振荡，当机器人向任何方向移动时，对于下一个循环，相反方向被标记为无效，直到机器人从设置标志的位置移动超过一定距离。

3通用local planning

以下的类和接口遵照通用局部规划器工作原则允许进行不同实例化。以dwa_local_planner为模板加入自己的代价函数或者轨迹生成器，来创建客制化的局部规划器是可能的。

3.1 TrajectorySampleGenerator

该接口描述了一种可以生成很多轨迹发生器，每调用一次nextTrajectory()就会返回一个新的轨迹。利用trajectory rollout or the DWA的方法，SimpleTrajectoryGenerator类可以生成许多轨迹。

3.2 TrajectoryCostFunction

这个接口包含了最重要的函数scoreTrajectory(Trajectory &traj), 该函数输入轨迹后会输出轨迹评价分数。如果输出负分数意味着轨迹无效；如果输出正直，对于代价函数来说值越小越好。每个代价函数有一个比例因子，与其它代价函数比较时候，通过调节比例因子，代价函数影响可以被改变。base_local_planner包附带了一些在PR2上使用过的代价函数。

3.3 SimpleScoredSamplingPlanner

这是轨迹搜索的简单实现，采用TrajectorySampleGenerator和TrajectoryCostFunction列表。它将调用nextTrajectory（）直到生成器停止生成轨迹。对于每个轨迹，它将循环遍历成本函数列表，将其正值相加或在一个成本函数返回负值时中止评分。

使用成本函数的比例，结果是具有正成本函数结果的最佳加权和的轨迹。

3.5 Cost Functions

3.5.1 ObstacleCostFunction

基于感知到的障碍评估轨迹

3.5.2 MapGridCostFunction

基于与全局路径或者目标点的接近程度评价轨迹。

3.5.3 OscillationCostFunction

用以减小震荡

3.5.4 PreferForwardCostFunction

适用于类似PR2那种在机器人前方有很好传感器（如倾角雷达）布置的机器人。 该代价函数鼓励前向运动，惩罚后向或者其它周围方向性运动。

4 TrajectoryPlannerROS

该接口继承了nav_core包的nav_core::BaseLocalPlanner接口。

4.1.1 发布的主题

~/global_plan (nav_msgs/Path)
表示的是局部规划器目前正在跟随的全局规划中的一部分，主要用于可视化。
~/local_plan (nav_msgs/Path)
表示的是上一个周期局部规划或者轨迹得分最高者，主要用于可视化。
~/cost_cloud (sensor_msgs/PointCloud2)
用于表示规划的代价珊格，也是用于可视化目的。参数publish_cost_grid_pc用来使能或者关闭该可视化。New in navigation 1.4.0

4.1.2 订阅的主题

odom (nav_msgs/Odometry)
该Odometry信息用于向局部规划器提供当前机器人的速度。 这个里程消息中的速度信息被假定使用的坐标系与TrajectoryPlannerROS对象内代价地图的robot_base_frame参数指定的坐标系相同。有关该参数详细介绍请参照 costmap_2d 包。

5轨迹规划器

base_local_planner::TrajectoryPlanner实现了DWA and Trajectory Rollout算法。 如果要在ROS中想使用base_local_planner::TrajectoryPlanner, 请使用进过封装的TrajectoryPlannerROS wrapper。

自然语言处理之文本分类：Transformer在文本分类中的应用
zhubeibei168的博客
05-19 814
文本摘要是生成文本的简短版本，保留其主要信息。这在新闻文章、学术论文等领域非常有用。Transformer模型是自然语言处理领域的一个重要突破，由Vaswani等人在2017年的论文《Attention is All You Need》中提出。它摒弃了传统的循环神经网络（RNN）和卷积神经网络（CNN）的序列依赖性，引入了自注意力机制（Self-Attention），使得模型能够并行处理输入序列，大大提高了训练效率。
STM32八种I/O口模式
Yin_w的博客
03-31 3475
作为两年嵌入式软件攻城狮，还没仔细去理解过STM32的GPIO的八种使用模式，俗话说嵌入式软硬件不分家，软件不懂硬件，出了问题有时候只能拿“抓虾”，今天有点时间，特此总结一下学过的有关STM32的GPIO模式的硬件知识。
Vision Transformer实战：如何将Transformer应用于图像分类
最新发布
像风一样自由
04-01 1549
传统图像分类任务由CNN主导，但Transformer凭借其**全局建模能力**，在ImageNet等基准任务中刷新了记录。2020年，Vision Transformer（ViT）的提出标志着Transformer正式进军CV领域。本文将以实战为导向，详解如何用纯**Transformer实现图像分类**，并提供完整PyTorch代码实现。
使用transformer进行图像分类
weixin_40920183的博客
08-15 1万+
文章目录1、导入模型2、定义加载函数3、定义批量加载函数4、加载数据5、定义数据预处理及训练模型的一些超参数6、定义数据增强模型7、构建模型7.1 构建多层感知器（MLP）7.2 创建一...
深度学习案例之基于 CNN 的 MNIST 手写数字识别
fenglepeng的博客
09-07 6962
一、模型结构 本文只涉及利用Tensorflow实现CNN的手写数字识别,CNN的内容请参考:卷积神经网络(CNN) MNIST数据集的格式与数据预处理代码input_data.py的讲解请参考 :Tutorial (2) 二、实验代码 # -*- coding: utf-8 -*- import tensorflow as tf # 导入input_data用于自动下载和安装MNIST数据集 from tensorflow.examples.tutorials.mnist import inpu
transformer在图像分类上的应用以及pytorch代码实现
热门推荐
qq_37937847的博客
04-09 5万+
文章目录1.对transformers的简单介绍1.1序列数据的介绍（seq2seq）1.2self-Attention1.3 transformer的完整结构2.transformers在图像分类上的pytorch代码2.1加载cifar10数据集2.2构建transformers模型2.2.1构建图像编码模块 Embeddings2.2.3构建前向传播神经网络模块2.2.4构建编码器的可重复利用Block模块2.2.5构建Encoder模块2.2.6 构建完整的transformers2.2.7构建Vi
STM32 IO口的八种模式
冉冰的小窝
05-12 5798
【冉冰的成长日记007】 STM32 的 IO 口可以由软件配置成如下 8 种模式： 1、输入浮空 2、输入上拉 3、输入下拉 4、模拟输入 5、开漏输出 6、推挽输出 7、推挽式复用功能 8、开漏复用功能 每组IO口包含7个寄存器。 分别是 - GPIOx_CRL：端口配置低寄存器 - GPIOx_CRH：端口配置高寄存器 - GPIOx_IDR：端口输入寄存器 - GPIOx_ODR：端口输出寄存器 GPIOx_BSRR：端口位设置/清除寄存器 GPIOx_BRR：端口位清除寄存器 GPIOx_L
Swin Transformer 实现图像分类
05-29
在本项目中，你将找到一个完整的Swin Transformer实现，用于图像分类任务。项目包括以下文件： 1. `class_indices.json`：这是一个字典文件，它将类别ID与对应的类别名称映射起来，对于理解和处理预测结果非常有用...
VIT(vision transformer)实现图像分类
05-29
VIT(vision transformer)实现图像分类，是将transformer首次应用于CV(计算机视觉)领域，该资源包含所有源代码，拿走技能运行跑通，包含数据集和训练好的权重，分类精度高达99%以上。
使用swin_transformer做自己数据集的图像分类
04-30
使用的数据集共有5种类别，使用Swin-T预训练模型进行训练。
【STM32】浅析8种IO口模式
zi__li的博客
04-12 3208
Stm32上的IO口有8种模式可以选择，分别为： 四种输入模式： （1）浮空输入 （2）输入上拉 （3）输入下拉 （4）模拟输入 四种输出模式： （5）开漏输出 （6）推挽输出 （7）复用开漏输出 （8）复用推挽输出 下...
transformer的具体应用：图像分类
m0_74096414的博客
12-07 2776
在上面的结构图中可以看到，输入Encoder的最左侧部分添加了一个0*这个Token，这个就是额外添加的一个[class]token，单独用来处理类别信息，经过Encoder之后，需要单独将这个Token再提取出来，输入到MLP Head之中再输出分类结果。这一步的操作在论文中是直接采用切割的处理办法，但是在后面的代码实现中，采用了一种更巧妙的解决思路，就是利用一个卷积核大小为16x16，步距为16，卷积核个数为768的卷积层来进行实现。在Transformer中，位置编码的作用是为了记忆输入的语序信息。
[Python]基于CNN的MNIST手写数字识别
weixin_33887443的博客
06-25 3250
目录 一、背景介绍 1.1 卷积神经网络 1.2 深度学习框架 1.3 MNIST 数据集 二、方法和原理 2.1 部署网络模型 （1）权重初始化 （2）卷积和池化 （3）搭建卷积层1 （4）搭建卷积层2 （5）搭建全连接层3 （6）搭建输出层 2.2 训练和评估模...
基于CNN的Mnist手写数字识别（Pytorch）
qq_47564006的博客
06-27 1197
GPU版本Pytorch实现基于CNN手写数字识别，测试集准确率99.29%，含数据预处理与模型保存
深度学习：使用卷积神经网络CNN实现MNIST手写数字识别
十年以上架构设计经验，专注于软件架构和人工智能领域，对机器视觉、NLP、音视频等领域都有涉猎
08-09 5584
卷积神经网络是一种多层、前馈型神经网络。从功能上来说，可以分为两个阶段，特征提取阶段和分类识别阶段。特征提取阶段能够自动提取输入数据中的特征作为分类的依据，它由多个特征层堆叠而成，每个特征层又由卷积层和池化层组成。处在前面的特征层捕获图像中局部细节的信息，而后面的特征层能够捕获到图像中更加高层、抽象的信息。MNIST数据集是美国国家标准与技术研究院收集整理的大型手写数字数据库,包含60,000个示例的训练集以及10,000个示例的测试集。其中的图像的尺寸为28*28。
深度学习——CNN实现MNIST手写数字的识别
尘心平的博客
08-01 2万+
本篇博客记录了学习K同学啊的深度学习100例的第一例的学习过程,主要介绍了CNN神经网络的基本知识,使用方法及使用流程, 简单介绍了数据集的归一化和标准化 激活函数 优化器 损失函数 metrics等配置............
基于视觉 Transformer（ViT）进行图像分类
Warmer_Sweeter
11-20 2659
点击下方卡片，关注“小白玩转Python”公众号引言近年来，Transformer 架构彻底改变了自然语言处理（NLP）任务。视觉Transformer（ViT）将这一创新更进一步，将变换器架构适应于图像分类任务。本教程将指导您使用ViT对花卉图像进行分类。先决条件要跟随本教程，您应该具备以下基础知识：Python编程深度学习概念TensorFlow和Keras数据集概览在本教程中，我们将使用一个...
【深度学习】使用transformer进行图像分类
fengdu78的博客
09-10 1万+
文章目录1、导入模型2、定义加载函数3、定义批量加载函数4、加载数据5、定义数据预处理及训练模型的一些超参数6、定义数据增强模型7、构建模型7.1 构建多层感知器（MLP）7.2 创建一...
基于CNN的MINIST手写数字识别项目代码以及原理详解
Oona_01的博客
05-05 835
其中分子的zi是多分类中的第i类的输出值，分母将所有类别的输出值求和，使用指数函数来将其转换为概率，最终将神经网络上一层的原始数据归一化到[ 0 , 1 ] [0,1][0,1]，使用指数函数的原因是因为上一层的数据有正有负，所以使用指数函数将其变为大于0的值。首先我们需要自己手写一个数字。因为在深度学习中，训练的数据通常数量十分巨大，不能一次性的把全部数据都传到模型中进行训练，所以要利用数据加载，将源数据的顺序打乱，进行分批和预处理后，最后将处理好的数据传给模型进行训练，这样才能保证模型训练的准确性。
transformer用于图像分类
02-24
### 使用Transformer模型进行图像分类的方法 #### 方法概述 为了使Transformer能够应用于图像分类任务，一种有效的方式是将图像分割成固定大小的小块（patches），这些小块被线性映射为向量，并加上位置编码以保留空间信息[^2]。 #### 数据预处理 在准备输入数据的过程中，原始图片会被切分成多个不重叠的patch。假设一张尺寸为\(H \times W\)的RGB图像是要处理的对象，则可以按照设定好的宽度和高度参数来划分该图像。例如，对于分辨率为\(224\times 224\)像素的图像，如果选择每边切成16个部分的话，那么最终会得到\((224/16)^2=196\)个小方格作为单独的特征表示单元。之后，每一个这样的补丁都会通过一个简单的全连接层转换成为维度固定的嵌入向量。 ```python import torch from torchvision import transforms def preprocess_image(image_path, patch_size=16): transform = transforms.Compose([ transforms.Resize(256), transforms.CenterCrop(224), # 假设目标分辨率是224x224 transforms.ToTensor(), ]) image = Image.open(image_path).convert('RGB') tensor = transform(image) patches = [] for i in range(tensor.shape[-2] // patch_size): # 高度方向上的循环 row_patches = [] for j in range(tensor.shape[-1] // patch_size): # 宽度方向上的循环 patch = tensor[:, :, i*patch_size:(i+1)*patch_size, j*patch_size:(j+1)*patch_size].flatten() row_patches.append(patch) patches.extend(row_patches) return torch.stack(patches) ``` #### 构建Transformer架构 构建Vision Transformer (ViT)，通常包括以下几个组成部分： - **Patch Embedding Layer**: 将每个图像块转化为低维向量； - **Positional Encoding Layer**: 添加绝对或相对位置信息给上述获得的向量序列； - **Multiple Layers of Self-Attention and Feed Forward Networks**: 多层自注意机制与前馈神经网络交替堆叠而成的核心模块； 最后，在顶层附加一个全局平均池化层(Global Average Pooling)以及一个多类别Softmax回归器用于预测类标签。 ```python class VisionTransformer(nn.Module): def __init__(self, num_classes=1000, embed_dim=768, depth=12, num_heads=12, mlp_ratio=4., qkv_bias=False, drop_rate=0.): super().__init__() self.patch_embed = PatchEmbed(embed_dim=embed_dim) self.pos_embed = nn.Parameter(torch.zeros(1, self.patch_embed.num_patches + 1, embed_dim)) self.cls_token = nn.Parameter(torch.zeros(1, 1, embed_dim)) dpr = [drop_rate for _ in range(depth)] self.blocks = nn.Sequential(*[ Block( dim=embed_dim, num_heads=num_heads, mlp_ratio=mlp_ratio, qkv_bias=qkv_bias, drop=dpr[i], ) for i in range(depth)]) self.norm = nn.LayerNorm(embed_dim) self.head = nn.Linear(embed_dim, num_classes) def forward(self, x): B = x.shape[0] cls_tokens = self.cls_token.expand(B, -1, -1) x = self.patch_embed(x) x = torch.cat((cls_tokens, x), dim=1) x += self.pos_embed x = self.blocks(x) x = self.norm(x) return self.head(x[:, 0]) ```
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值