标签：图片 image 宽度 loading 静态 dynamic back nbsp isp
一、MoveBase框架
上图中move_base节点提供用于配置，运行和与交互的ROS界面。上面显示了move_base节点及其与其他组件的交互的高级视图。主要包含了global_panner与local_panner，分别用于总体路径规划与局部路径规划。
base_local_planner这个包通过地图数据，通过算法搜索到达目标的多条路经，利用一些评价标准（是否会撞击障碍物，所需要的时间等等）选取最优的路径，并且计算所需要的实时速度和角度。
其中，Trajectory Rollout 和Dynamic Window approaches算法的主要思路如下：
（1） 采样机器人当前的状态（dx,dy,dtheta）；
（2） 针对每个采样的速度，计算机器人以该速度行驶一段时间后的状态，得出一条行驶的路线。
（3） 利用一些评价标准为多条路线打分。
（4） 根据打分，选择最优路径。
（5） 重复上面过程。
二、全局规划器
1. Dijkstra与A*对比
1) Dijkstra算法计算源点到其他所有点的最短路径长度，A*关注点到点的最短路径(包括具体路径)。
2) Dijkstra算法建立在较为抽象的图论层面，A*算法可以更轻松地用在诸如游戏地图寻路中。
3) Dijkstra算法的实质是广度优先搜索，是一种发散式的搜索，所以空间复杂度和时间复杂度都比较高。对路径上的当前点，A*算法不但记录其到源点的代价，还计算当前点到目标点的期望代价，是一种启发式算法，也可以认为是一种深度优先的算法。
4) 由第一点，当目标点很多时，A*算法会带入大量重复数据和复杂的估价函数，所以如果不要求获得具体路径而只比较路径长度时，Dijkstra算法会成为更好的选择。
2. Dijkstra
Dijkstra 算法是典型最短路算法，用于计算一个节点到其他所有节点的最短路径。主要特点是以起始点为中心向外层层扩展，直到扩展到终点为止。Dijkstra算法能得出最短路径的最优解，但由于它遍历计算的节点很多，所以效率低。
计算过程：
创建两个表，OPEN, CLOSE。 OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。 1． 访问路网中离起始点最近且没有被检查过的点，把这个点放入OPEN表中等待检查。 2． 从OPEN表中找出距起始点最近的点，找出这个点的所有子节点，把这个点放到CLOSE表中。 3． 遍历考察这个点的子节点。求出这些子节点距起始点的距离值，放子节点到OPEN表中。 4． 重复2，3，步。直到OPEN表为空，或找到目标点。
3. A Star
A*（A-Star)算法是一种静态路网中求解最短路最有效的方法。
公式表示为： f(n)=g(n)+h(n),
其中f(n) 是节点n从初始点到目标点的估价函数，
g(n) 是在状态空间中从初始节点到n节点的实际代价，即起始节点到当前节点的实际代价.
h(n)是从n到目标节点最佳路径的估计代价。即当前节点到目标节点的估计代价.
g(n)：对g*(n)的一个估计，是当前的搜索图G中s到n的最优路径费用 g(n)≥g*(n)
h(n)：对h*(n)的估计，是从n到目标节点的估计代价，称为启发函数。
例如：当h(n) = 0, g(n) = d, 则f(n) = g(n)就变为了宽度优先搜索，也就是如果不需要启发，那就是宽度优先搜索的算法了。
保证找到最短路径（最优解的）条件，关键在于估价函数h(n)的选取：
估价值h(n)<= n到目标节点的距离实际值，这种情况下，搜索的点数多，搜索范围大，效率低。但能得到最优解。
如果 估价值>实际值, 搜索的点数少，搜索范围小，效率高，但不能保证得到最优解。
估价值与实际值越接近，估价函数取得就越好。
例如对于几何路网来说，可以取两节点间欧几理德距离（直线距离）做为估价值，即f=g(n)+sqrt((dx-nx)*(dx-nx)+(dy-ny)*(dy-ny))；
这样估价函数f在g值一定的情况下，会或多或少的受估价值h的制约，节点距目标点近，h值小，f值相对就小，能保证最短路的搜索向终点的方向进行。明显优于Dijstra算法的毫无方向。
#计算过程
创建两个表，OPEN表保存所有已生成而未考察的节点，CLOSED表中记录已访问过的节点。
遍历当前节点的各个节点，将n节点放入CLOSE中，取n节点的子节点X,->算X的估价值->
4. DWA与TEB
DWA和TEB的总体思想都是预测/规划机器人沿给定视界的运动，同时最小化给定目标函数，同时遵守机器人的动力约束。
只命令机器人执行第一个控制动作后，重复整个预测/优化过程。这一原理在控制理论中被称为退地平线控制或模型预测控制。但由于计算最优解的计算量较大，因此两种方法的近似最优解的方式不同，实际的优化策略也不同。
动态窗口法(DWA)
DWA执行基于样本的优化。它在可行速度空间(通常是平移/角速度对)中采样一个控制动作，并为这些特定的采样动作推出轨迹。铺展是指基于机器人运动模型，根据指定的水平长度对轨迹进行模拟。
一个重要的细节是：整个预测阶段行动是保持不变的。因此它不能预测运动逆转等。在对所有样本进行预测之后，根据指定的成本函数和约束条件(包括到全局路径的距离、平滑度、障碍清除度等)选择最佳候选样本。
因此，DWA包括两个简化，以保持低的计算时间，同时达到一定数量的控制性能。不详细讨论由于固有次最优性而产生的稳定性和递归可行性，但是这种方法对于差分驱动和全向机器人非常有效。
一个好处是，成本函数可以是非光滑的，因此它非常适合基于网格的评估。例如，轨迹可以栅格化到成本图中，以评估成本(考虑到致命网格单元和膨胀成本)。
此外，DWA不会陷入基于初始化的局部极小值(当然，机器人仍然会因为有限的视界长度和较少的控制自由度而陷入困境)。由于DWA假定在预测范围内的控制行为是恒定的，因此类车机器人的控制是相当有限的。
有一些基本的扩展将速度搜索空间限制为与汽车类似的兼容动作。但运动逆转仍然没有优化，因此在有限的空间停车、机动是棘手的。注意，当然，运动逆转可以在闭环控制期间进行，但它们不是开环解决方案/预测的一部分。
总结:
不需要运动反转的次优解(控制动作在预测范围内保持不变)
非常适合于扩散驱动/全向机器人，但不适合类车机器人
支持非平滑成本函数
Timed-Elastic-Band (TEB)
TEB主要尝试寻找时间最优的解决方案，但是您也可以为全局参考路径保真度配置它。该方法根据时间离散轨迹，并采用连续的数值优化方案。因此，根据离散化分辨率，沿预测水平的自由度可以非常高，并支持运动逆转。
将约束优化问题转化为无约束优化问题，缩短了计算时间。这也意味着在任何情况下约束(例如避障、速度界限等)都不能得到保证，所以建议检查机器人的基本驱动程序或专用节点的紧急情况。
此外，优化器只找到局部解决方案，例如，如果轨迹初始化在一个障碍的左侧，它将保持在那里。teb_local_planner能够同时优化不同拓扑中的多个轨迹(比如左右)，从而找到解决方案。由于该方法依赖于连续优化，成本函数必须是平滑的。它不能处理网格和成本图的功能评估。
目前，每个致命的障碍单元都被认为是点形状的障碍，它限制了小/中等规模的本地成本图大小(和相当粗的成本图分辨率)的方法。计划器还可以处理多边形形状的障碍(参见costmap_converter包将costmap转换为更原始的障碍，但它仍处于实验阶段)。
然而，给定一定的计算能力和一个温和的问题大小，planner实现了更好的控制器性能，解决了更多的场景，还支持类车机器人的运动。
在teb_local_planner的最新版本中，引入了对动态障碍的支持。其性能在很大程度上取决于障碍物跟踪和状态估计的精度。然而，成本图转换包尝试从本地成本图跟踪动态障碍(实验)。
所规划的轨迹更接近实际的最优解，但约束仅作为惩罚执行。
总结：
适合所有类型的机器人
在多种拓扑中规划多个候选轨迹
动态障碍物支持(实验)
大的计算负担
https://www.guyuehome.com/270
http://wiki.ros.org/move_base/
https://blog.csdn.net/hopeping128/article/details/78960326
https://zhuanlan.zhihu.com/p/104051892?utm_medium=social
https://www.cnblogs.com/guxuanqing/p/9610780.html
https://answers.ros.org/question/274564/difference-between-dwa-local_planner-and-teb-local_planner/
标签：图片 image 宽度 loading 静态 dynamic back nbsp isp
原文地址：https://www.cnblogs.com/xgth/p/14090584.html
