移動機器人導航路徑規劃

*，移動機器人是工廠物料運輸的解決方案，是提高生產效率，降低生產成本，增強生產穩定性的*。為了滿足工業生產需求，一款的移動機器人產品首先需要解決三大問題：

小藍（杭州藍芯科技有限公司簡稱）就是專業解決導航規劃問題滴，接下來就和大家好好嘮嘮怎么實現一次走位。

軌跡計劃

世界上遙遠的距離不是生與死，而是明明出口就在眼前，而我卻要去遠遠的兜一圈才能到。移動機器人在面對復(luan)雜(dui)環(luan)境(fang)時，也需要完成走迷宮般的絕望任務。

圖 1

為了應付復雜的人類以及胖胖的自己，我們機智的機器人，擁有了自己的軌跡規劃方法。那就是把你們變胖，把自己變瘦（美麗）！于是提出了兩個重要假設（敲黑板）：
機器人是一個點，障礙物按機器人半徑進行膨脹；
機器人是完整的，忽略非完整約束對姿態的限制；
于是，工作空間就的降為了二維物理空間（姿態空間），如圖2

圖 2

于是路徑規劃問題就變成了姿態空間的搜索問題：在自由姿態空間中為機器人尋找一條路徑，使其從初始姿態發展到目標姿態。將姿態空間離散化以后，就能進行啦。

快速擴展隨機樹法（RRT）

快速擴展隨機樹法可以看作一種樹形算法，它從一個起始構型（對于二維圖，就是一個點）出發，不斷延伸樹型數據，終與目標點相連。具體做法就是以一個初始點作為根節點，通過隨機采樣增加葉子節點的方式，生成一個隨機擴展樹，當隨機樹中的葉子節點包含了目標點或進入了目標區域，便可以在隨機樹中找到一條由從初始點到目標點的路徑。

圖 3

RRT算法也有一些缺點，它是一種純粹的隨機搜索算法對環境類型不敏感，當C-空間中包含大量障礙物或狹窄通道約束時，算法的收斂速度慢，效率會大幅下降。同時，RRT 的一個弱點是難以在有狹窄通道的環境找到路徑。因為狹窄通道面積小，被碰到的概率低。

因此有學者提出了RRTConnect算法，基本的RRT每次搜索都只有從初始狀態點生長的快速擴展隨機樹來搜索整個狀態空間，如果從初始狀態點和目標狀態點同時生長兩棵快速擴展隨機樹來搜索狀態空間，效率會更高。

該算法與原始RRT相比，在目標點區域建立第二棵樹進行擴展。每一次迭代中，開始步驟與原始的RRT算法一樣，都是采樣隨機點然后進行擴展。然后擴展完棵樹的新節點qnew后，以這個新的目標點作為第二棵樹擴展的方向。

圖 4

這種雙向的RRT技術具有良好的搜索特性，比原始RRT算法的搜索速度、搜索效率有了顯著提高，被廣泛應用。首先，Connect算法較之前的算法在擴展的步長上更長，使得樹的生長更快；其次，兩棵樹不斷朝向對方交替擴展，而不是采用隨機擴展的方式，特別當起始位姿和目標位姿處于約束區域時，兩棵樹可以通過朝向對方快速擴展而逃離各自的約束區域。這種帶有啟發性的擴展使得樹的擴展更加貪婪和明確，使得雙樹RRT算法較之單樹RRT算法更加有效。

單元分解法

單元分解法的基本思想是將姿態空間中的自由空間分隔成幾個小區域，將每個區域當成一個單元。以單元為頂點，以單元之間的相鄰關系為邊構成一張連通圖。然后在連通圖中搜索初始姿態和目標姿態所在的單元，然后搜索連接初始單元和目標單元的路徑。后就能按照所得路徑的單元序列生成單元內部的路徑了。

圖 5

單元分解法的有點在于，機器人不需要考慮它在每個空閑單元中的具體位置，只需要考慮如何從一個單元移動到相鄰的空閑單元，同時單元數和環境大小無關。

但是計算效率會極大地依賴于環境中的物體的復雜度，為了解決這方面的問題，又提出了新的單元分解法，也就是柵格表示法：將環境分解成若干個大小相同的柵格。這樣其實就是對地圖的一種近似，就不用考慮環境的疏密和物體形狀的復雜度。

圖 6

人工勢場法

人工勢場法利用磁場的特性來解決路徑規劃的問題。假設目標點對機器人產生吸引力，障礙物對機器人產生排斥力。這樣就能根據力的合成構成機器人的控制方法了。

圖 7

引力場（attraction）隨機器人與目標點的距離增加而單調遞增，且方向指向目標點；斥力場（repulsion）在機器人處在障礙物位置時有一極大值，并隨機器人與障礙物距離的增大而單調減小，方向指向遠離障礙物方向。如圖8就是引力場和斥力場同時作用下的勢場圖。

圖 8

人工勢場法通過構建人工勢場，進行勢場力計算，受力分析進而計算合力，得到終加速度。

圖 9

人工勢場法結構簡單，便于底層的實時控制，在實時避障和平滑的軌跡控制方面得到廣泛的應用。但是由于斥力作用范圍較小的問題，勢場法只能解決局部空間的避障問題，它缺乏全局信息，這樣，它就很容易陷入局部小值。當機器人位于局部小點的時候，機器人容易產生振蕩或者停滯不前。障礙物越多，產生局部小點的可能性就越大，產生局部小點的數量也就越多，這是具體實現過程中需要注意的。

通過上述介紹，想必大家存在一個疑惑，構建了很多單元和路徑（拓撲圖），那么如何去搜索路徑呢，又怎么去判斷哪條路徑更加呢。下期論點，讓我們討論路徑規劃算法中的路徑所搜法，一起學習A*算法，遺傳算法以及粒子濾波算法是如何為我們服務的。