自动驾驶路径规划论文解析(6)

路径规划 同时被 2 个专栏收录
27 篇文章 9 订阅

本文解析
State Space Sampling of Feasible Motions for High-Performance Mobile Robot Navigation in Complex Environments
文章对motion planning的方法进行了一个总结,并且提出了自己的state space sampling method.
对于control sampling和state space sampling这两种方法 值得注意的几个总结如下:
对于state space sampling method,环境的限制是容易满足的,然而对于车辆本身的动力学或运动学限制这种方法是欠考虑的。相反的,对于control sampling method, 优缺点正好和state space sampling反过来。
在这里插入图片描述
上图就看的很清楚,对于道路限制,control sampling method是做的不好的,大多数的control samples都跑到了道路的外面。

接下来文章就开始介绍自己的方法: state-based sampling search space genration approach. 这个方法包括1,一个用来进行状态到动作的inverted dynamics algorithm, 意思就是采样到状态后,要逆向求解control. 2. navigation function, 导航函数,用来有效的帮助local planner 找到局部最优路径。对于第一个逆向过程。要求state space model要尽量精确,这样做出的逆向control才会更加准确。文章中只理论性的介绍了这个方法,具体如何实现的并没有详细叙述。

对于state space sampling method有时无法求解的问题,文章接下来也进行了论述:有些情况下这个方法不能够得到解得原因可能是sampling出了问题。sampling要尽量向更大的范围进行采样,对于那些sampling非常接近的方法,极有可能找不到解,并且这种方法是很不高效的,因为在障碍物附近的撒点,通常来讲都是无法通过碰撞检测的,而且这样做只会增加计算负担。

接下来文章就提出了adaptive search space set design。核心思想就是在terminal direction的方向上进行更加密集的采样。

对于上面的方法,具体的算法提出了三种,详细解释见原文。
在这里插入图片描述
最后文章给出了一些practical considerations,基本就是工程化中推荐使用的方案,没有太多创新,可以直接看原文的section 5.

  • 0
    点赞
  • 0
    评论
  • 6
    收藏
  • 一键三连
    一键三连
  • 扫一扫,分享海报

相关推荐
©️2020 CSDN 皮肤主题: Age of Ai 设计师:meimeiellie 返回首页
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、C币套餐、付费专栏及课程。

余额充值