前言 前几篇中介绍了几种路径搜索算法,其中既有基于图搜索的路径搜索算法(如A*),也有基于采样的路径搜索算法(如RRT、RRT*)。通过路径搜索算法,我们能够得到一条可通行的路径,然而,对于这条路径中的路标点(Waypoint)之间的路径往往是不符合机器人(无人机\无人车)动力学模型的。 因此,对于每一个路标点(Waypoint)之间的连接路径,我们需要进行进一步的优化,从而得到
前言 上一篇介绍了快速搜索随机树(RRT)算法的原理,这是一种基于采样的路径规划算法,在地图尺寸较大时,其效率将显著的优于基于图搜索的路径规划算法(如A*)。 然而,RRT也有其局限性,如: 狭窄通道情况下的搜索效率急剧下降 搜索得到的路径不是全局最优的 本篇将针对RRT算法应用时出现的几个问题展开讨论,并阐述几种RRT算法的改进型。 快速获取搜索树中的相邻节点
前言 在环境感知与规划专题(一)——A*算法入门一文中阐述了广泛应用于机器人路径搜索问题的求解算法——A*,它是一种基于图搜索的路径规划算法。而主流的路径规划算法分为基于图搜索的路径规划算法与基于采样的路径规划算法。 本文将阐述一种基于采样的路径规划算法——快速搜索随机树(RRT)。 快速搜索随机树(RRT) 快速搜索随机树(RRT)算法从起始点开始,在地图上进行随机采样
前言 上篇中介绍了基于稀疏点云传感器的常用避障规划算法,由于实际工程中受限于不同产品的技术成熟度、成本的因素的原因,不得不采用低成本的单点测距传感器进行避障。然而,避障作为无人机自动飞行必不可少的功能,设计一个健壮的避障规划器显得尤为重要。 本篇将针对单点测距传感器(如「超声波、红外、部分毫米波雷达等」)的避障规划算法进行详解。 基于单点测距传感器的避障规划算法 由于单点测距传感器
前言 上一篇详细介绍了模型预测控制的算法原理,以及其在多旋翼无人机运动规划中的应用。 本篇将针对配备稀疏点云传感器(如红外、超声波、毫米波雷达、激光雷达等 )的无人机避障问题(本文中的无人机代指多旋翼无人机 )展开详细的讨论。 无人机的避障问题 在前几篇文章中,我们介绍了运动规划问题的常规解法: 前端路径搜索算法+后端轨迹优化 。 而对于无人机这样一个具体的研究对象
前言 上一篇中简述了模型预测控制在多旋翼飞行器运动规划中的应用。 本篇将针对采用线性MPC的多旋翼飞行器的运动规划方案进行详细推导。 系统模型的离散化 对于多旋翼飞行器这类三阶积分器模型,我们可以很容易得到其连续时间系统模型: 对其离散化,可得离散时间系统模型: 在得到离散时间系统模型之后,我们将其进行参数化,得到预测模型: 预测模型参数的计算 在
前言 上一章介绍了一种高效、实时的运动规划算法——JerkLimitedTrajectory(JLT)。 在给定起始状态与终止状态后,该算法能够快速地计算出一条符合三阶积分器动力学模型的运动轨迹。其适用于类似多旋翼无人机的对象,能够解决一般的运动规划问题。 然而,其存在一定的局限性,如: 轨迹平滑度与MAX_JERK之间存在不可调和的矛盾。即很难找到一组参数,使得生成的 轨迹既平
A*算法作为路径规划算法中应用最广泛实用的算法,由于A*算法的算法原理较为简单,网络上能够找到各种各样的学习资料,本文仅对其实现过程进行总结,同时,附上matlab仿真源码及结果图供参考学习。 算法实现过程 A*算法作为一种启发式的寻路算法被广泛应用于解决游戏中以及机器人、无人车、无人机的路径规划问题。该算法的步骤为: 1. 把起始节点添加到openList; 2. 重复如下步骤:
环境感知与规划专题
博客
泡泡
积分
勋章
环境感知与规划专题(十一)——状态栅格规划器(State Lattice Planner)
环境感知与规划专题(十)——基于采样的路径规划算法(二)
环境感知与规划专题(九)——基于采样的路径规划算法(一)
环境感知与规划专题(八)——基于稀疏点云的避障规划器(二)
环境感知与规划专题(七)——基于稀疏点云的避障规划器(一)
环境感知与规划专题(六)——模型预测控制(MPC)在运动规划中的应用(二)
环境感知与规划专题(五)——模型预测控制(MPC)在运动规划中的应用(一)
环境感知与规划专题(一)——A*算法入门
第三方账号登入
看不清?点击更换
第三方账号登入
QQ 微博 微信