【L1】深蓝学院-高飞老师 移动机器人规划笔记

前言

这里主要以学院派的分模块的规划为主，没有讲端到端的规划算法。本人也是小白一个，从零开始慢慢磨吧~！

自主移动机器人系统主要组成

流程简介

第一步：Estimation 状态估计

即我们通常所说的定位，他要求机器人可以实时地输出一个低时延、高精确度和高前后一致性的位置估计。

第二步：Perception 感知

基于第一步得到的位置估计，对周围环境做一个3D稠密的建图，这里涉及到地图的前后信息融合、如何让机器人利用融合后的地图等问题。

第三步：Planning 规划（本课的重点）

要求在复杂的、事先未知的环境里生成安全、动力学可行的运动轨迹，且要考虑到有限的感知、算力。

第四步：Control 控制

生成的运动轨迹被交给飞控，产生实时的控制信号，完成规划出的轨迹。

运动规划基本要求

1. 安全性：避免碰撞
2. 光滑性：节省能量、完成特定任务的光滑性、舒适性等
3. 动力学可行性：可执行、可控的

学院派路径规划的pipeline

前端（路径发现/搜索）

path finding：称之为前端，一般不想在这个部分浪费太多的算力。所以一般把高维问题转化为低维、离散的问题，用这里的path finding先找到粗略可行的一条路径。

后端（轨迹生成/优化）

trajectory generation/optimization：进入到这里就到了后端：轨迹生成和轨迹优化环节，将前端生成的低维的粗略可行的路径转换为机器人可以执行的高维、连续的路径（满足各种要求的轨迹）。

算法 Overview （此处列举，后续课程会有详细介绍）

前端：路径规划方法

• 基于搜索的方法
  1、 图搜索（把搜索任务以拓扑图形式表示，然后用图搜索方法来做）：DFS，BFS等
  2、Dijkstra（简单的广度优先搜索） 和 A*搜索（重点：带有强指向性的起点到终点的搜索）
  3、跳点搜索JPS
• 基于采样的方法
  1、PRM
  2、RRT
  3、RRT*，启发式RRT*等
• 满足动力学约束的搜索方法
  1、State Lattice Search（把控制机器人动力学的变量离散化，以离散化的路径去搜索）
  2、Hybrid A*（与上类似，综合动力学与算力考量的方法，在每个grid只保留一个state）
  3、Kinodynamic RRT*（不离散变量，离散状态，RRT框架）

后端：轨迹生成、轨迹优化方法

• Basic Minimum-snap（重点）：先用RRT*找到几何安全路径，根据这个路径的分段点作为路标点生成本方法的优化路径。
• Hard constrained Minimum-snap：硬约束
• Soft constrained Minimum-snap：软约束（一般用来做local planning，局部的软优化）

无人机器人导航常用地图的表示

• Occupancy grid map 栅格地图
  

• Octo-map 八叉树地图（为节省内存）
  

• Voxel hashing
  

• Point cloud map 点云图（无序的）
  

• TSDF map 根据距离截断关注的点
  

• ESDF map，关注所有点与无人机的距离，软约束方法用到的建图方式
  

• Free-space Roadmap、Voronoi Diagram Map等其他地图