轨迹规划 | 图解分析人工势场算法APF(附ROS C++/Python/Matlab仿真)

本文主要是介绍轨迹规划 | 图解分析人工势场算法APF(附ROS C++/Python/Matlab仿真),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

目录

  • 0 专栏介绍
  • 1 传统避障方法缺陷
  • 2 APF基本原理
  • 3 人工势场可视化
  • 4 仿真实现
    • 4.1 ROS C++实现
    • 4.2 Python实现
    • 4.3 Matlab实现

0 专栏介绍

🔥附C++/Python/Matlab全套代码🔥课程设计、毕业设计、创新竞赛必备!详细介绍全局规划(图搜索、采样法、智能算法等);局部规划(DWA、APF等);曲线优化(贝塞尔曲线、B样条曲线等)。

🚀详情:图解自动驾驶中的运动规划(Motion Planning),附几十种规划算法


1 传统避障方法缺陷

传统的避障方法通常基于几何或图形算法,缺乏对环境动态性和实时性的适应能力。例如,环境在实时操作中可能会出现移动障碍物、临时障碍物等情况,传统方法需要对全局障碍重新建模,产生巨大的计算开销。

在这里插入图片描述

与之相对,人工势场法(Artificial Potential Field, APF)基于机器人与障碍物之间的相互作用来生成路径,因此不需要进行全局路径搜索,避免了大量的计算开销。这使得人工势场法能够实现快速的响应和实时的避障能力,非常适合需要快速决策和动态调整路径的应用场景。此外,通过合理设计势场函数和调节参数,可以灵活地处理复杂环境中的多障碍物情况,增加了系统的鲁棒性和可扩展性。

接下来详细介绍人工势场算法的基本原理。

2 APF基本原理

人工势场法的基本思想是在机器人运动环境中创建一个势场 U \boldsymbol{U} U,该势场分为两部分:

  • 由目标位置产生的指向目标的引力场 U g \boldsymbol{U}_g Ug
  • 由障碍物产生的远离障碍物的斥力场 U d \boldsymbol{U}_d Ud

通过障碍物的斥力场和目标位置的引力场共同作用形成一个虚拟的人工势场,再搜索一条势函数下降的方向,寻找一条无碰撞的最优路径,其原理如图所示。

在这里插入图片描述

常见的引力势函数为

U g = 1 2 λ g ( x − x g ) T ( x − x g ) \boldsymbol{U}_g=\frac{1}{2}\lambda _g\left( \boldsymbol{x}-\boldsymbol{x}_g \right) ^T\left( \boldsymbol{x}-\boldsymbol{x}_g \right) Ug=21λg(xxg)T(xxg)

其中 x \boldsymbol{x} x为机器人所处的位置向量, x g \boldsymbol{x}_g xg为目标位置向量。引力势函数的负梯度即为引力函数

F g = − ∇ x U g = − λ g ( x − x g ) \boldsymbol{F}_g=-\nabla _{\boldsymbol{x}}\boldsymbol{U}_g=-\lambda _g\left( \boldsymbol{x}-\boldsymbol{x}_g \right) Fg=xUg=λg(xxg)

常见的斥力势函数

U d = { 1 2 λ d ( 1 d − 1 d 0 ) 2 , d ⩽ d 0 0 , d > d 0 \boldsymbol{U}_d=\begin{cases} \frac{1}{2}\lambda _d\left( \frac{1}{d}-\frac{1}{d_0} \right) ^2, d\leqslant d_0\\ 0 , d>d_0\\\end{cases} Ud= 21λd(d1d01)2,dd00,d>d0

其中 d d d为当前机器人距离障碍物的最小距离, d 0 d_0 d0为斥力场作用限,常见的距离度量为欧式距离

d = ( x − x d ) T ( x − x d ) d=\sqrt{\left( \boldsymbol{x}-\boldsymbol{x}_d \right) ^T\left( \boldsymbol{x}-\boldsymbol{x}_d \right)} d=(xxd)T(xxd)

斥力势函数的负梯度即为斥力函数

F d = − ∇ x U d = { λ d ( 1 d − 1 d 0 ) 1 d 2 ∇ x d , d ⩽ d 0 0 , d > d 0 \boldsymbol{F}_d=-\nabla _{\boldsymbol{x}}\boldsymbol{U}_d=\begin{cases} \lambda _d\left( \frac{1}{d}-\frac{1}{d_0} \right) \frac{1}{d^2}\nabla _{\boldsymbol{x}}d, d\leqslant d_0\\ 0 , d>d_0\\\end{cases} Fd=xUd={λd(d1d01)d21xd,dd00,d>d0

在连续地图中, ∇ x d \nabla _{\boldsymbol{x}}d xd可以由距离函数微分导出;在栅格地图中, ∇ x d \nabla _{\boldsymbol{x}}d xd可以由栅格代价差分近似。基于引力和斥力,机器人受到的总力为

F = F g + ∑ F d \boldsymbol{F}=\boldsymbol{F}_g+\sum{\boldsymbol{F}_d} F=Fg+Fd

人工势场法的算法流程如表所示。

在这里插入图片描述

3 人工势场可视化

人工势场可视化如下所示,颜色越深说明势垒越高

在这里插入图片描述

4 仿真实现

4.1 ROS C++实现

核心代码如下所示

bool APFPlanner::computeVelocityCommands(geometry_msgs::Twist& cmd_vel)
{...// compute the tatget pose and force at the current stepEigen::Vector2d attr_force, rep_force, net_force;rep_force = getRepulsiveForce();while (plan_index_ < global_plan_.size()){target_ps_ = global_plan_[plan_index_];attr_force = getAttractiveForce(target_ps_);net_force = zeta_ * attr_force + eta_ * rep_force;...if (std::hypot(b_x_d, b_y_d) > p_window_)break;++plan_index_;}// smoothing the net force with historical net forces in the smoothing windowif (!hist_nf_.empty() && hist_nf_.size() >= s_window_)hist_nf_.pop_front();hist_nf_.push_back(net_force);net_force = Eigen::Vector2d(0.0, 0.0);for (int i = 0; i < hist_nf_.size(); ++i)net_force += hist_nf_[i];net_force /= hist_nf_.size();// set the smoothed new_v...// set the desired angle and the angle error...// position reached...return true;
}

在这里插入图片描述

4.2 Python实现

(待补充)

4.3 Matlab实现

function nextPos = obstacleAvoid(curPos, goal, obstacle, d0, weight)lambdaG = 1;lambdaD = weight;obstacleNum = size(obstacle, 1);Fg = -lambdaG * (curPos - goal);Fd = zeros(obstacleNum, 2);function d = calDistance(p1, p2)d = sqrt(sum((p1 - p2).^2));endfor i=1:obstacleNum% distance between current pose and obstacle_idi = calDistance(obstacle(i, :), curPos');if di <= d0Fd(i, :) = lambdaD / sqrt(di) * (1 / di - 1 / d0) *  ...[(curPos(1) - obstacle(i, 1))    ...(curPos(2) - obstacle(i, 2))];endendFall = Fg + sum(Fd', 2);nextPos = Fall + curPos;
end

在这里插入图片描述

完整工程代码请联系下方博主名片获取


🔥 更多精彩专栏

  • 《ROS从入门到精通》
  • 《Pytorch深度学习实战》
  • 《机器学习强基计划》
  • 《运动规划实战精讲》

👇源码获取 · 技术交流 · 抱团学习 · 咨询分享 请联系👇

这篇关于轨迹规划 | 图解分析人工势场算法APF(附ROS C++/Python/Matlab仿真)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/269805

相关文章

如何使用 Python 读取 Excel 数据

《如何使用Python读取Excel数据》:本文主要介绍使用Python读取Excel数据的详细教程,通过pandas和openpyxl,你可以轻松读取Excel文件,并进行各种数据处理操... 目录使用 python 读取 Excel 数据的详细教程1. 安装必要的依赖2. 读取 Excel 文件3. 读

Python的time模块一些常用功能(各种与时间相关的函数)

《Python的time模块一些常用功能(各种与时间相关的函数)》Python的time模块提供了各种与时间相关的函数,包括获取当前时间、处理时间间隔、执行时间测量等,:本文主要介绍Python的... 目录1. 获取当前时间2. 时间格式化3. 延时执行4. 时间戳运算5. 计算代码执行时间6. 转换为指

利用Python调试串口的示例代码

《利用Python调试串口的示例代码》在嵌入式开发、物联网设备调试过程中,串口通信是最基础的调试手段本文将带你用Python+ttkbootstrap打造一款高颜值、多功能的串口调试助手,需要的可以了... 目录概述:为什么需要专业的串口调试工具项目架构设计1.1 技术栈选型1.2 关键类说明1.3 线程模

Python ZIP文件操作技巧详解

《PythonZIP文件操作技巧详解》在数据处理和系统开发中,ZIP文件操作是开发者必须掌握的核心技能,Python标准库提供的zipfile模块以简洁的API和跨平台特性,成为处理ZIP文件的首选... 目录一、ZIP文件操作基础三板斧1.1 创建压缩包1.2 解压操作1.3 文件遍历与信息获取二、进阶技

Python Transformers库(NLP处理库)案例代码讲解

《PythonTransformers库(NLP处理库)案例代码讲解》本文介绍transformers库的全面讲解,包含基础知识、高级用法、案例代码及学习路径,内容经过组织,适合不同阶段的学习者,对... 目录一、基础知识1. Transformers 库简介2. 安装与环境配置3. 快速上手示例二、核心模

Python正则表达式语法及re模块中的常用函数详解

《Python正则表达式语法及re模块中的常用函数详解》这篇文章主要给大家介绍了关于Python正则表达式语法及re模块中常用函数的相关资料,正则表达式是一种强大的字符串处理工具,可以用于匹配、切分、... 目录概念、作用和步骤语法re模块中的常用函数总结 概念、作用和步骤概念: 本身也是一个字符串,其中

Python使用getopt处理命令行参数示例解析(最佳实践)

《Python使用getopt处理命令行参数示例解析(最佳实践)》getopt模块是Python标准库中一个简单但强大的命令行参数处理工具,它特别适合那些需要快速实现基本命令行参数解析的场景,或者需要... 目录为什么需要处理命令行参数?getopt模块基础实际应用示例与其他参数处理方式的比较常见问http

python实现svg图片转换为png和gif

《python实现svg图片转换为png和gif》这篇文章主要为大家详细介绍了python如何实现将svg图片格式转换为png和gif,文中的示例代码讲解详细,感兴趣的小伙伴可以跟随小编一起学习一下... 目录python实现svg图片转换为png和gifpython实现图片格式之间的相互转换延展:基于Py

Python中的getopt模块用法小结

《Python中的getopt模块用法小结》getopt.getopt()函数是Python中用于解析命令行参数的标准库函数,该函数可以从命令行中提取选项和参数,并对它们进行处理,本文详细介绍了Pyt... 目录getopt模块介绍getopt.getopt函数的介绍getopt模块的常用用法getopt模

Python利用ElementTree实现快速解析XML文件

《Python利用ElementTree实现快速解析XML文件》ElementTree是Python标准库的一部分,而且是Python标准库中用于解析和操作XML数据的模块,下面小编就来和大家详细讲讲... 目录一、XML文件解析到底有多重要二、ElementTree快速入门1. 加载XML的两种方式2.