seo公司网站推广,精美网站模板下载,广宁县住房和城乡建设局网站,tp怎么安装wordpress1.How Obstacle Avoidance works
1.1处罚条款
避障是作为整体轨迹优化的一部分来实现的。显然#xff0c;优化涉及到找到指定成本函数#xff08;目标函数#xff09;的最小成本解#xff08;轨迹#xff09;。简单地说#xff1a;如果一个计划的#xff08;未来…1.How Obstacle Avoidance works
1.1处罚条款
避障是作为整体轨迹优化的一部分来实现的。显然优化涉及到找到指定成本函数目标函数的最小成本解轨迹。简单地说如果一个计划的未来姿势违反了与障碍物的期望分离那么成本函数的成本必须增加。理想情况下在这些情况下成本函数值必须是无穷大的否则优化器可能会更好地完全拒绝这些区域。然而这将需要优化器处理硬约束即求解非线性程序。teb_local_planner放弃了考虑硬约束的能力以便更好地考虑效率。将硬约束转化为软约束从而得到具有有限代价的二次罚项。 上图显示了一个示例处罚条款针对避障。到障碍物的允许最小欧几里得距离参数 m i n o b s t a c l e d i s t min_obstacle_dist minobstacledist设置为0.2米。因此0.2米以下的距离会导致非零成本。现在假设优化问题包含更多的成本项。其中一些是相互冲突的例如时间最优性。因此优化器可能会考虑到一个小的违规因此也会考虑到小的惩罚以最小化整个组合成本函数。这里有两个选项可以调整行为 1. 调整优化权重按比例缩放单个成本此处为参数weight_obstacle。但是如果选择过高的值优化问题就会变得病态从而导致较差的便利性行为。 2. 通过添加“额外边距”来改变参数。通过在min_obstacle_dist参数中添加一个小的额外裕度您可以将成本值隐式地增加到0.2m。您可以使用单个参数penalty_ epsilon同时移动所有惩罚项但要小心因为这样做会极大地影响优化结果。
1.2 局部最优解
请注意优化器本身只能找到局部最优的解决方案。想象一下机器人可能被两个障碍物横向包裹。惩罚项确实是非零的但优化器会被卡住达到这个局部最小值因为将相应的姿势横向移动到其中一个障碍物会进一步增加总成本。您可以使用test_optim_node轻松尝试请参阅教程设置和测试优化并关闭同源类规划。行为应类似于下图中的行为 轨迹无法跳过障碍物。即使是姿势本身也被推离障碍物之间的区域红色箭头。显然在实践中应该避免这种情况。因此同源类规划算法寻求拓扑替代解决方案而可行性检查见下文在实际指挥机器人之前拒绝了这样的解决方案。
1.3位势和障碍之间的关联
下图显示了一个常见规划场景的快照 该场景由一个移动机器人组成该机器人在前往当前目标时接近多边形障碍物。计划离散轨迹由多个机器人姿态组成。规划者的目标是根据所需的时间分辨率参数dt_ref来安排每两个连续的姿势。请注意实际分辨率不是固定/冻结的因为优化器需要调整转换时间以寻求时间最优性。 对于避障计划姿势和障碍物之间的距离必须从下方界定。图中的示例轨迹由8个可变姿势组成起始姿势和目标姿势是固定的。您可能同意为了实现无碰撞轨迹需要进行多次距离计算优化器多次调用成本函数值的计算。为了加速优化实现了专用的关联策略。 对于每个障碍物点/占用的成本图单元、线、多边形定位计划轨迹的最接近姿态见图。根据参数obstacle_poses_affected的值还考虑了最近姿态的受影响邻居。在随后的优化步骤中只考虑该选定的姿态子集这里是3个姿态因此是3个惩罚项。分别在no_inner_iterations参数之后重复关联过程。在每个外部优化迭代obstacle_poses_affected的值会略微影响障碍物周围轨迹的平滑度。此外更大的障碍需要更多的连接姿势以避免不可错过的捷径。您也可以选择一个较高的值轨迹长度以便将所有姿势与每个障碍物连接起来。 注意机器人足迹模型被考虑用于距离计算因此对于所需的计算资源至关重要。以下部分对详细信息进行了总结。
2.Robot Footprint Model 机器人足迹模型
出于优化目的机器人足迹模型近似机器人的2D轮廓。该模型对于距离计算的复杂性以及计算时间至关重要。因此机器人足迹模型构成了一个专用参数而不是从通用的costmap_2d参数加载足迹。优化占地面积模型可能与成本图占地面积模型不同后者用于可行性检查请参阅下一节。 封装外形模型是使用参数服务器选择和配置的。您可以将以下参数结构添加到teb_local_planner配置文件中
TebLocalPlannerROS:footprint_model: # types: point, circular, line, two_circles, polygontype: pointradius: 0.2 # for type circularline_start: [-0.3, 0.0] # for type lineline_end: [0.3, 0.0] # for type linefront_offset: 0.2 # for type two_circlesfront_radius: 0.2 # for type two_circlesrear_offset: 0.2 # for type two_circlesrear_radius: 0.2 # for type two_circlesvertices: [ [0.25, -0.05], [0.18, -0.05], [0.18, -0.18], [-0.19, -0.18], [-0.25, 0], [-0.19, 0.18], [0.18, 0.18], [0.18, 0.05], [0.25, 0.05] ] # for type polygon默认示意图模型的类型为“点”。注意封装外形发布到~/teb_markers并且可以在rviz中可视化例如用于验证。 重要提示对于类似汽车的机器人姿态[0,0]位于后轴旋转轴 以下段落描述了所有不同的类型
2.1迹线类型点
机器人被建模为单个点。对于这种类型需要最少的计算时间。
2.2迹线类型圆形
机器人被建模为一个具有给定半径~/footprint_model/radius的简单圆。距离计算类似于点型机器人的计算但有了例外机器人的半径被添加到每个函数调用的参数min_obstacle_dist中。你可以通过选择一个点型机器人并事先将半径添加到最小障碍物距离来消除这种额外的添加。
2.3示意图类型线条
直线机器人适用于在纵向和横向方向上表现出不同扩展/长度的机器人。可以使用参数/footprint_model/line_start和/footprint _model/line _end每个[xy]坐标来配置线段。机器人旋转轴假定为[0,0]单位米。请确保通过进一步调整参数min_obstacle_dist来封装整个机器人参见以下示例。 你也可以看看“两个圆”模型。
2.4示意图类型两个圆圈
另一种近似机器人轮廓的可能性包括定义两个圆。每个圆由沿机器人x轴的偏移和半径来描述/footprint_model/front_offset、/footprint _model/front_radius、~/foot print_model/rear_offset和~/footprint_model/rear_radius。偏移可能为负。 请参考下图作为示例 对于每个相关的机器人姿势需要进行两次距离计算。
2.5迹线类型多边形
可以通过定义闭合多边形来合并复杂模型。多边形是根据顶点列表定义的为每个顶点提供x和y坐标。假设机器人的旋转轴位于[0,0]单位米。请不要重复第一个顶点因为多边形是自动关闭的。请记住每增加一条边都会显著增加所需的计算时间您可以从成本图通用参数文件中复制足迹模型。
3可行性检查
在优化器返回轨迹之后在将速度命令发送到机器人之前进行可行性检查。此检查的目的是识别优化器可能产生的无效/不可行轨迹请记住软约束、局部极小值等。 目前该算法从当前机器人姿势开始迭代前n个姿势n~/pability_check_no_posesparameter并检查这些姿势是否没有碰撞。为了检测是否发生碰撞将使用成本图足迹请参见导航教程因此这个验证模型可能比用于优化的封装外形更复杂请参阅上面的一节。 由于优化器可能无法完全收敛因此不应选择过高的值~/probability_check_no_poses形象地说当机器人向目标移动时可以纠正遥远未来的小障碍违规行为。 如果您在狭窄的环境中驾驶请确保正确配置避障行为本地规划器和全局规划器。否则局部规划器可能会拒绝不可行的轨迹从它的角度来看但相比之下全局规划器可能进一步认为所选的全局计划是可行的机器人可能会被卡住。
Reference 1.Obstacle Avoidance and Robot Footprint Model
