移动机器人运动规划及运动仿真
Posted zylyehuo
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了移动机器人运动规划及运动仿真相关的知识,希望对你有一定的参考价值。
基于[基于SLAM系统建图仿真,完成定位仿真],详见之前的博客
参考链接
环境配置
ubuntu 18.04
成果图
结构树请参考下图
STEP1: move_base节点的调用
新建 mycar_ws/src/nav_demo/launch/nav05_path.launch
<launch>
<node pkg="move_base" type="move_base" respawn="false" name="move_base" output="screen" clear_params="true">
<rosparam file="$(find nav_demo)/param/costmap_common_params.yaml" command="load" ns="global_costmap" />
<rosparam file="$(find nav_demo)/param/costmap_common_params.yaml" command="load" ns="local_costmap" />
<rosparam file="$(find nav_demo)/param/local_costmap_params.yaml" command="load" />
<rosparam file="$(find nav_demo)/param/global_costmap_params.yaml" command="load" />
<rosparam file="$(find nav_demo)/param/base_local_planner_params.yaml" command="load" />
</node>
</launch>
STEP2: 配置文件
新建 param 文件夹
新建 mycar_ws/src/nav_demo/param/costmap_common_params.yaml
#机器人几何参,如果机器人是圆形,设置 robot_radius,如果是其他形状设置 footprint
robot_radius: 0.12 #圆形
# footprint: [[-0.12, -0.12], [-0.12, 0.12], [0.12, 0.12], [0.12, -0.12]] #其他形状
obstacle_range: 3.0 # 用于障碍物探测,比如: 值为 3.0,意味着检测到距离小于 3 米的障碍物时,就会引入代价地图
raytrace_range: 3.5 # 用于清除障碍物,比如:值为 3.5,意味着清除代价地图中 3.5 米以外的障碍物
#膨胀半径,扩展在碰撞区域以外的代价区域,使得机器人规划路径避开障碍物
inflation_radius: 0.2
#代价比例系数,越大则代价值越小
cost_scaling_factor: 3.0
#地图类型
map_type: costmap
#导航包所需要的传感器
observation_sources: scan
#对传感器的坐标系和数据进行配置。这个也会用于代价地图添加和清除障碍物。例如,你可以用激光雷达传感器用于在代价地图添加障碍物,再添加kinect用于导航和清除障碍物。
scan: sensor_frame: my_laser, data_type: LaserScan, topic: scan, marking: true, clearing: true
新建 mycar_ws/src/nav_demo/param/local_costmap_params.yaml
local_costmap:
global_frame: odom #里程计坐标系
robot_base_frame: base_link #机器人坐标系
update_frequency: 10.0 #代价地图更新频率
publish_frequency: 10.0 #代价地图的发布频率
transform_tolerance: 0.5 #等待坐标变换发布信息的超时时间
static_map: false #不需要静态地图,可以提升导航效果
rolling_window: true #是否使用动态窗口,默认为false,在静态的全局地图中,地图不会变化
width: 3 # 局部地图宽度 单位是 m
height: 3 # 局部地图高度 单位是 m
resolution: 0.05 # 局部地图分辨率 单位是 m,一般与静态地图分辨率保持一致
新建 mycar_ws/src/nav_demo/param/global_costmap_params.yaml
global_costmap:
global_frame: map #地图坐标系
robot_base_frame: base_link #机器人坐标系
# 以此实现坐标变换
update_frequency: 1.0 #代价地图更新频率
publish_frequency: 1.0 #代价地图的发布频率
transform_tolerance: 0.5 #等待坐标变换发布信息的超时时间
static_map: true # 是否使用一个地图或者地图服务器来初始化全局代价地图,如果不使用静态地图,这个参数为false.
新建 mycar_ws/src/nav_demo/param/base_local_planner_params.yaml
TrajectoryPlannerROS:
# Robot Configuration Parameters
max_vel_x: 0.5 # X 方向最大速度
min_vel_x: 0.1 # X 方向最小速速
max_vel_theta: 1.0 #
min_vel_theta: -1.0
min_in_place_vel_theta: 1.0
acc_lim_x: 1.0 # X 加速限制
acc_lim_y: 0.0 # Y 加速限制
acc_lim_theta: 0.6 # 角速度加速限制
# Goal Tolerance Parameters,目标公差
xy_goal_tolerance: 0.10
yaw_goal_tolerance: 0.05
# Differential-drive robot configuration
# 是否是全向移动机器人
holonomic_robot: false
# Forward Simulation Parameters,前进模拟参数
sim_time: 0.8
vx_samples: 18
vtheta_samples: 20
sim_granularity: 0.05
STEP3: launch 文件集成
新建 mycar_ws/src/nav_demo/launch/nav06_test.launch
<!-- 集成导航相关的 launch 文件 -->
<launch>
<!-- 地图服务 -->
<include file="$(find nav_demo)/launch/nav03_map_server.launch" />
<!-- 启动AMCL节点 -->
<include file="$(find nav_demo)/launch/nav04_amcl.launch" />
<!-- 运行move_base节点 -->
<include file="$(find nav_demo)/launch/nav05_path.launch" />
<!-- 运行rviz -->
<node pkg="joint_state_publisher" name="joint_state_publisher" type="joint_state_publisher" />
<node pkg="robot_state_publisher" name="robot_state_publisher" type="robot_state_publisher" />
<node pkg="rviz" type="rviz" name="rviz" />
</launch>
STEP4: 测试运行(准备工作)
编译+启动 gazebo 仿真环境
source ./devel/setup.bash
roslaunch mycar environment.launch
启动导航相关的 launch 文件
source ./devel/setup.bash
roslaunch nav_demo nav06_test.launch
配置并保存 rviz 设置
RobotModel
Map
PoseArray
LaserScan
Odometry
保存配置
STEP5: 测试运行
TGK-Planner无人机运动规划算法解读
高速移动无人机的在线路径规划一直是学界当前研究的难点,引起了大量机器人行业的研究人员与工程师的关注。然而无人机的计算资源有限,要在短时间内规划出一条安全可执行的路径,这就要求无人机的运动规划算法必须轻型而有效。本文将介绍一种无人机的在线路径规划算法 TGK-Planner,希望能给开发者提供一些解决思路。
TGK-Planner简介
TGK-Planner 为浙江大学 Fast Lab 提出的一种轻型有效的拓扑引导的无人机路径规划算法,用于具有有限机载计算资源的四旋翼无人机在线飞行。该算法结构遵循传统的前后端工作流程,采用新颖的设计来提高寻路和轨迹优化子模块的鲁棒性和效率。
首先在前端部分使用拓扑引导图来粗略的捕捉环境结构,并指导基于采样的动态规划器进行状态采样,给出一条粗略的全局避障路径。然后在后端优化框架中改进轨迹的平滑性和连续性,并且将优化的轨迹曲线往前端的无碰撞轨迹曲线吸引。下面我们将TGK-Planner算法分为前端路径规划以及后端轨迹优化两部分来进行讲解。
前端路径规划
TGK-Planner 的前端轨迹规划部分,是一个改进的Kinodynamic RRT*采样算法,其主要改进的地方在于环境引导采样策略。前端部分的算法步骤如下所示:
1、首先不考虑障碍物,直接规划出一条从起点到终点的路径,如上图红色曲线所示;
2、沿着规划的路径,记录路径曲线进出障碍物的交点,并将每一对交点连接起来,如上图蓝色虚线所示;
3、沿着蓝色虚线的法向方向进行双向延伸射线,射线端点延伸到离开障碍物的栅格为止,如上图橘色虚线所示;
4、将起点、终点以及延伸的射线端点连接起来,最后可以获得一块包裹障碍物的区域,如上图橘色实线所示;
5、在橘色实现区域外围进行 Kinodynamic RRT* 状态采样,通过较少的时间花费可以得到一条粗略的无碰撞轨迹。
通过前端的轨迹规划,我们可以得到一条安全无碰撞的粗略轨迹,该轨迹的位移和速度是连续的,但分段轨迹的连接点上其加速度是不连续的,这会导致姿态抖动,并对无人机控制造成干扰。
后端轨迹优化
优化框架
无人机的轨迹可以用多项式来表达,通过后端的优化框架,可以改进无人机轨迹的平滑性以及无人机加速度的连续性,让无人机更加平稳飞行。后端的轨迹优化可以考虑为一个无约束的优化问题,其代价函数可以表示为:
代价函数考虑了三项目标函数,J_s 表示为光滑项代价函数,J_h 表示为优化轨迹与前端全局轨迹的差异,J_c 为惩罚分段轨迹之间的加速度不连续性。
1、光滑项惩罚:无人机轨迹使用高阶多项式表示,将轨迹的高阶导数作为控制输入,最小化高阶导数能够使得整段轨迹控制能量小,并使无人机的整段轨迹更加光滑。
2、差异性惩罚:由于前端部分规划的全局路径是安全无碰撞的,那么就可以通过惩罚优化后的曲线与前端规划轨迹的差异性,将优化的轨迹曲线吸引到前端规划的曲线位置上,这样就可以保障优化后的曲线也是安全无碰撞的,且实现十分轻型高效,无需太多计算资源。
3、连续性惩罚:由于无人机前端规划分段轨迹的连接点的加速度不连续,通过惩罚分段连接点的两端加速度差异,迫使无人机轨迹连接点的加速度趋于相同,保证无人机的平稳飞行。
本期内容就先分享到这里,若大家对于路径规划还不够了解,可以先阅读上一期阿木分享的文章“常用的路径规划算法浅析”。有一定基础的开发者可以进一步了解TGK-Planner无人机规划算法,相关论文及代码地址如下:
TGK-Planner Paper:https://arxiv.org/abs/2008.03468
Code:https://github.com/ZJU-FAST-Lab/TGK-Planner
Video:https://www.bilibili.com/video/BV1mi4y1c78T
往期推荐
以上是关于移动机器人运动规划及运动仿真的主要内容,如果未能解决你的问题,请参考以下文章