移动机器人运动规划及运动仿真

Posted 2023-05-15 zylyehuo

博客地址：https://www.cnblogs.com/zylyehuo/

基于[基于SLAM系统建图仿真，完成定位仿真]，详见之前的博客

基于SLAM系统建图仿真，完成定位仿真 - zylyehuo - 博客园

参考链接

Autolabor-ROS机器人入门课程《ROS理论与实践》

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

常用的路径规划算法浅析