TEB teb_local_planner 构建超图过程error cost分析

2024-04-02 19:12
文章标签 分析 构建 error 过程 planner local cost 超图 teb

本文主要是介绍TEB teb_local_planner 构建超图过程error cost分析，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！

G2O 背景

G20 边和顶点的定义
https://blog.csdn.net/weixin_43013761/category_11647404.html
使用G20优化器 优化 路径
https://blog.csdn.net/qq_29598161/article/details/115414732
https://zhuanlan.zhihu.com/p/121628349

buildGraph

TebOptimalPlanner::buildGraph 位于　optimal_planner.cpp 文件内，是整个teb planner 的核心

1. 添加顶点 AddTEBVertices

主要是添加位姿顶点和时间间隔顶点
顶点分姿态顶点和时间顶点
1.1.
姿态顶点 VertexPose 内部需要优化的变量主要有三个 x,y,theta
1.2
时间顶点 TimeDiffVertex 内部需要优化的变量主要有1个 dt

void TebOptimalPlanner::AddTEBVertices()
{// add vertices to graphROS_DEBUG_COND(cfg_->optim.optimization_verbose, "Adding TEB vertices ...");unsigned int id_counter = 0; // used for vertices idsfor (int i=0; i<teb_.sizePoses(); ++i){//基本状态　x,y,thetateb_.PoseVertex(i)->setId(id_counter++);//先赋值 再自行+1optimizer_->addVertex(teb_.PoseVertex(i));if (teb_.sizeTimeDiffs()!=0 && i<teb_.sizeTimeDiffs()){//基本状态　dtteb_.TimeDiffVertex(i)->setId(id_counter++);//先赋值 再自行+1 id 累积增加optimizer_->addVertex(teb_.TimeDiffVertex(i));}} 
}

2 Edge 的边的定义与Cost误差函数定义

使用到的惩罚函数
double penaltyBoundFromBelow(const double& var, const double& a,const double& epsilon)
函数定义如下
f ( x ) = { 0.0 , if  v a r > = a + e p s i l o n − v a r + ( a + e p s i l o n ) , if  v a r < ( a + e p s i l o n ) f(x) = \begin{cases} 0.0, & \text{if } var >= a+epsilon \\ -var + (a + epsilon), & \text{if } var < (a+epsilon) \\ \end{cases} f(x)={0.0,−var+(a+epsilon),​if var>=a+epsilonif var<(a+epsilon)​

2.1 EdgeObstacle

误差函数计算代码

  void computeError(){获取顶点姿态const VertexPose* bandpt = static_cast<const VertexPose*>(_vertices[0]);double dist = robot_model_->calculateDistance(bandpt->pose(), _measurement);// Original obstacle cost._error[0] = penaltyBoundFromBelow(dist, cfg_->obstacles.min_obstacle_dist, cfg_->optim.penalty_epsilon);if (cfg_->optim.obstacle_cost_exponent != 1.0 && cfg_->obstacles.min_obstacle_dist > 0.0){// Optional non-linear cost. _error[0] = cfg_->obstacles.min_obstacle_dist * std::pow(_error[0] / cfg_->obstacles.min_obstacle_dist, cfg_->optim.obstacle_cost_exponent);}ROS_ASSERT_MSG(std::isfinite(_error[0]), "EdgeObstacle::computeError() _error[0]=%f\n",_error[0]);}

如果配置文件 obstacle_cost_exponent == 1.0 那么error为线性函数公式整理如下
e r r o r [ 0 ] = { 0.0 , if  d i s t > = o b s . m i n _ d i s t + o p t i m . p e n a l t y _ e p s i l o n − d i s t + ( o b s . m i n _ d i s t + o p t i m . p e n a l t y _ e p s i l o n ) , else  error[0] = \begin{cases} 0.0, & \text{if } dist >= obs.min\_dist+optim.penalty\_epsilon \\ -dist + (obs.min\_dist+optim.penalty\_epsilon), & \text{else }\\ \end{cases} error[0]={0.0,−dist+(obs.min_dist+optim.penalty_epsilon),​if dist>=obs.min_dist+optim.penalty_epsilonelse ​
如果配置文件 obstacle_cost_exponent != 1.0 那么error[0]继续更新为非线性函数公式整理如下
e r r o r [ 0 ] = o b s . m i n _ d i s t ∗ e r r o r [ 0 ] o b s . m i n _ d i s t c o s t _ e x p o e n t error[0] = obs.min\_dist * \frac{error[0] }{obs.min\_dist}^{cost\_expoent} error[0]=obs.min_dist∗obs.min_disterror[0]​cost_expoent

2.2 EdgeInflatedObstacle

  • EdgeInflatedObstacle 是一个一元边 继承于 public BaseTebUnaryEdge<2, const Obstacle*, VertexPose>
  • 观测类型是const Obstacle*
  • 连接的顶点是VertexPose
  void computeError(){const VertexPose* bandpt = static_cast<const VertexPose*>(_vertices[0]);double dist = robot_model_->calculateDistance(bandpt->pose(), _measurement);_error[0] = penaltyBoundFromBelow(dist, cfg_->obstacles.min_obstacle_dist, cfg_->optim.penalty_epsilon);if (cfg_->optim.obstacle_cost_exponent != 1.0 && cfg_->obstacles.min_obstacle_dist > 0.0){// Optional non-linear cost. _error[0] = cfg_->obstacles.min_obstacle_dist * std::pow(_error[0] / cfg_->obstacles.min_obstacle_dist, cfg_->optim.obstacle_cost_exponent);}// Additional linear inflation cost_error[1] = penaltyBoundFromBelow(dist, cfg_->obstacles.inflation_dist, 0.0);}

error[0]的计算和EdgeObstacle 类型一样，额外增加一个error[1]
e r r o r [ 1 ] = { 0.0 , if  d i s t > = o b s . i n f l a t i o n _ d i s t − d i s t + ( o b s . i n f l a t i o n _ d i s t ) , else  error[1] = \begin{cases} 0.0, & \text{if } dist >= obs.inflation\_dist \\ -dist + (obs.inflation\_dist), & \text{else }\\ \end{cases} error[1]={0.0,−dist+(obs.inflation_dist),​if dist>=obs.inflation_distelse ​

2.3 EdgeDynamicObstacle

  • EdgeDynamicObstacle 继承于 BaseTebUnaryEdge<2, const Obstacle*, VertexPose> 是一个一元边
  void computeError(){const VertexPose* bandpt = static_cast<const VertexPose*>(_vertices[0]);double dist = robot_model_->estimateSpatioTemporalDistance(bandpt->pose(), _measurement, t_);_error[0] = penaltyBoundFromBelow(dist, cfg_->obstacles.min_obstacle_dist, cfg_->optim.penalty_epsilon);_error[1] = penaltyBoundFromBelow(dist, cfg_->obstacles.dynamic_obstacle_inflation_dist, 0.0);}
  • 该函数dist主要是预测障碍物在t秒后的位置和姿态顶点的距离
    robot_model_->estimateSpatioTemporalDistance
  • error[0] 计算和EdgeInflatedObstacle EdgeObstacle相同
  • error[1] 主要使用dynamic_obstacle_inflation_dist来判断

2.4 EdgeViaPoint

  • class EdgeViaPoint 继承 BaseTebUnaryEdge<1, const Eigen::Vector2d*, VertexPose> 一元边
  • 误差向量维度1
  • 观测为Eigen::Vector2d*
  void computeError(){const VertexPose* bandpt = static_cast<const VertexPose*>(_vertices[0]);_error[0] = (bandpt->position() - *_measurement).norm();}

总结

  • EdgeViaPoint 主要是评判机器人贴合原始路径的error cost 离原始点位越远 则 error cost 越大

2.5 EdgeVelocity

  • EdgeVelocity 继承 public BaseTebMultiEdge<2, double> 三元边
  • 连接了3个顶点 2个姿态顶点 1个时间顶点
  void computeError(){const VertexPose* conf1 = static_cast<const VertexPose*>(_vertices[0]);const VertexPose* conf2 = static_cast<const VertexPose*>(_vertices[1]);const VertexTimeDiff* deltaT = static_cast<const VertexTimeDiff*>(_vertices[2]);const Eigen::Vector2d deltaS = conf2->estimate().position() - conf1->estimate().position();double dist = deltaS.norm();const double angle_diff = g2o::normalize_theta(conf2->theta() - conf1->theta());if (cfg_->trajectory.exact_arc_length && angle_diff != 0){double radius =  dist/(2*sin(angle_diff/2));dist = fabs( angle_diff * radius ); // actual arg length!}double vel = dist / deltaT->estimate();//     vel *= g2o::sign(deltaS[0]*cos(conf1->theta()) + deltaS[1]*sin(conf1->theta())); // consider directionvel *= fast_sigmoid( 100 * (deltaS.x()*cos(conf1->theta()) + deltaS.y()*sin(conf1->theta())) ); // consider directionconst double omega = angle_diff / deltaT->estimate();_error[0] = penaltyBoundToInterval(vel, -cfg_->robot.max_vel_x_backwards, cfg_->robot.max_vel_x,cfg_->optim.penalty_epsilon);_error[1] = penaltyBoundToInterval(omega, cfg_->robot.max_vel_theta,cfg_->optim.penalty_epsilon);}

penaltyBoundToInterval 函数如下

inline double penaltyBoundToInterval(const double& var,const double& a, const double& b, const double& epsilon)
{if (var < a+epsilon){return (-var + (a + epsilon));}if (var <= b-epsilon){return 0.;}else{return (var - (b - epsilon));}
}

总结

  • EdgeVelocity 主要是控制了路径的最大最小速度进行的error cost评判 使得机器人速度 以及角速度在合理的范围之内

2.6 EdgeAcceleration

  • class EdgeAcceleration 继承 public BaseTebMultiEdge<2, double> 多元边
  void computeError(){ROS_ASSERT_MSG(cfg_, "You must call setTebConfig on EdgeAcceleration()");const VertexPose* pose1 = static_cast<const VertexPose*>(_vertices[0]);const VertexPose* pose2 = static_cast<const VertexPose*>(_vertices[1]);const VertexPose* pose3 = static_cast<const VertexPose*>(_vertices[2]);const VertexTimeDiff* dt1 = static_cast<const VertexTimeDiff*>(_vertices[3]);const VertexTimeDiff* dt2 = static_cast<const VertexTimeDiff*>(_vertices[4]);// VELOCITY & ACCELERATIONconst Eigen::Vector2d diff1 = pose2->position() - pose1->position();const Eigen::Vector2d diff2 = pose3->position() - pose2->position();double dist1 = diff1.norm();double dist2 = diff2.norm();const double angle_diff1 = g2o::normalize_theta(pose2->theta() - pose1->theta());const double angle_diff2 = g2o::normalize_theta(pose3->theta() - pose2->theta());if (cfg_->trajectory.exact_arc_length) // use exact arc length instead of Euclidean approximation{if (angle_diff1 != 0){const double radius =  dist1/(2*sin(angle_diff1/2));dist1 = fabs( angle_diff1 * radius ); // actual arg length!}if (angle_diff2 != 0){const double radius =  dist2/(2*sin(angle_diff2/2));dist2 = fabs( angle_diff2 * radius ); // actual arg length!}}double vel1 = dist1 / dt1->dt();double vel2 = dist2 / dt2->dt();// consider directions
//     vel1 *= g2o::sign(diff1[0]*cos(pose1->theta()) + diff1[1]*sin(pose1->theta())); 
//     vel2 *= g2o::sign(diff2[0]*cos(pose2->theta()) + diff2[1]*sin(pose2->theta())); vel1 *= fast_sigmoid( 100*(diff1.x()*cos(pose1->theta()) + diff1.y()*sin(pose1->theta())) ); vel2 *= fast_sigmoid( 100*(diff2.x()*cos(pose2->theta()) + diff2.y()*sin(pose2->theta())) ); const double acc_lin  = (vel2 - vel1)*2 / ( dt1->dt() + dt2->dt() );_error[0] = penaltyBoundToInterval(acc_lin,cfg_->robot.acc_lim_x,cfg_->optim.penalty_epsilon);// ANGULAR ACCELERATIONconst double omega1 = angle_diff1 / dt1->dt();const double omega2 = angle_diff2 / dt2->dt();const double acc_rot  = (omega2 - omega1)*2 / ( dt1->dt() + dt2->dt() );_error[1] = penaltyBoundToInterval(acc_rot,cfg_->robot.acc_lim_theta,cfg_->optim.penalty_epsilon);ROS_ASSERT_MSG(std::isfinite(_error[0]), "EdgeAcceleration::computeError() translational: _error[0]=%f\n",_error[0]);ROS_ASSERT_MSG(std::isfinite(_error[1]), "EdgeAcceleration::computeError() rotational: _error[1]=%f\n",_error[1]);}

总结

  • 主要限制了最大角速度和角加速度

2.7 EdgeTimeOptimal

  • EdgeTimeOptimal 继承 public BaseTebUnaryEdge<1, double, VertexTimeDiff> 一元边
  • 误差向量维度为1
  void computeError(){const VertexTimeDiff* timediff = static_cast<const VertexTimeDiff*>(_vertices[0]);_error[0] = timediff->dt();}

总结

  • 时间越小越好， 这样子机器人会向最大速度去调整

2.8 EdgeShortestPath

  • EdgeShortestPath : public BaseTebBinaryEdge<1, double, VertexPose, VertexPose> 二元边
  • 误差向量维度为1
  void computeError() {const VertexPose *pose1 = static_cast<const VertexPose*>(_vertices[0]);const VertexPose *pose2 = static_cast<const VertexPose*>(_vertices[1]);_error[0] = (pose2->position() - pose1->position()).norm();}

总结

  • 两个姿态顶点之间的距离越小cost 越低

2.9 EdgeKinematicsDiffDrive

  • EdgeKinematicsDiffDrive : public BaseTebBinaryEdge<2, double, VertexPose, VertexPose> 二元边
  • 误差维度为2
    nage
  void computeError(){const VertexPose* conf1 = static_cast<const VertexPose*>(_vertices[0]);const VertexPose* conf2 = static_cast<const VertexPose*>(_vertices[1]);Eigen::Vector2d deltaS = conf2->position() - conf1->position();// non holonomic constraint_error[0] = fabs( ( cos(conf1->theta())+cos(conf2->theta()) ) * deltaS[1] - ( sin(conf1->theta())+sin(conf2->theta()) ) * deltaS[0] );// positive-drive-direction constraintEigen::Vector2d angle_vec ( cos(conf1->theta()), sin(conf1->theta()) );	   _error[1] = penaltyBoundFromBelow(deltaS.dot(angle_vec), 0,0);// epsilon=0, otherwise it pushes the first bandpoints away from start}

总结

  • 不允许反方向
  • 不允许 超越动力学范围

2.10 EdgePreferRotDir

  • EdgePreferRotDir : public BaseTebBinaryEdge<1, double, VertexPose, VertexPose> 二元边
  • 误差维度为1
  void computeError(){const VertexPose* conf1 = static_cast<const VertexPose*>(_vertices[0]);const VertexPose* conf2 = static_cast<const VertexPose*>(_vertices[1]);    _error[0] = penaltyBoundFromBelow( _measurement*g2o::normalize_theta(conf2->theta()-conf1->theta()) , 0, 0);}

总结

  • 主要是前3个姿态点 更偏向偏向朝哪个个方向旋转

这篇关于TEB teb_local_planner 构建超图过程error cost分析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/870821。

相关文章

JavaScript中的reduce方法执行过程、使用场景及进阶用法

JavaScript中的reduce方法执行过程、使用场景及进阶用法

《JavaScript中的reduce方法执行过程、使用场景及进阶用法》：本文主要介绍JavaScript中的reduce方法执行过程、使用场景及进阶用法的相关资料,reduce是JavaScri... 目录1. 什么是reduce2. reduce语法2.1 语法2.2 参数说明3. reduce执行过程
阅读更多...
Springboot中分析SQL性能的两种方式详解

Springboot中分析SQL性能的两种方式详解

《Springboot中分析SQL性能的两种方式详解》文章介绍了SQL性能分析的两种方式：MyBatis-Plus性能分析插件和p6spy框架,MyBatis-Plus插件配置简单,适用于开发和测试环... 目录SQL性能分析的两种方式:功能介绍实现方式:实现步骤:SQL性能分析的两种方式:功能介绍记录
阅读更多...
redis群集简单部署过程

redis群集简单部署过程

《redis群集简单部署过程》文章介绍了Redis,一个高性能的键值存储系统,其支持多种数据结构和命令,它还讨论了Redis的服务器端架构、数据存储和获取、协议和命令、高可用性方案、缓存机制以及监控和... 目录Redis介绍1. 基本概念2. 服务器端3. 存储和获取数据4. 协议和命令5. 高可用性6.
阅读更多...
最长公共子序列问题的深度分析与Java实现方式

最长公共子序列问题的深度分析与Java实现方式

《最长公共子序列问题的深度分析与Java实现方式》本文详细介绍了最长公共子序列（LCS）问题,包括其概念、暴力解法、动态规划解法,并提供了Java代码实现,暴力解法虽然简单,但在大数据处理中效率较低,... 目录最长公共子序列问题概述问题理解与示例分析暴力解法思路与示例代码动态规划解法DP 表的构建与意义动
阅读更多...
PLsql Oracle 下载安装图文过程详解

PLsql Oracle 下载安装图文过程详解

《PLsqlOracle下载安装图文过程详解》PL/SQLDeveloper是一款用于开发Oracle数据库的集成开发环境,可以通过官网下载安装配置,并通过配置tnsnames.ora文件及环境变... 目录一、PL/SQL Developer 简介二、PL/SQL Developer 安装及配置详解1.下
阅读更多...
在Java中使用ModelMapper简化Shapefile属性转JavaBean实战过程

在Java中使用ModelMapper简化Shapefile属性转JavaBean实战过程

《在Java中使用ModelMapper简化Shapefile属性转JavaBean实战过程》本文介绍了在Java中使用ModelMapper库简化Shapefile属性转JavaBean的过程,对比... 目录前言一、原始的处理办法1、使用Set方法来转换2、使用构造方法转换二、基于ModelMapper
阅读更多...
springboot启动流程过程

springboot启动流程过程

《springboot启动流程过程》SpringBoot简化了Spring框架的使用,通过创建`SpringApplication`对象,判断应用类型并设置初始化器和监听器,在`run`方法中,读取配... 目录springboot启动流程springboot程序启动入口1.创建SpringApplicat
阅读更多...
本地搭建DeepSeek-R1、WebUI的完整过程及访问

本地搭建DeepSeek-R1、WebUI的完整过程及访问

《本地搭建DeepSeek-R1、WebUI的完整过程及访问》：本文主要介绍本地搭建DeepSeek-R1、WebUI的完整过程及访问的相关资料,DeepSeek-R1是一个开源的人工智能平台,主... 目录背景       搭建准备基础概念搭建过程访问对话测试总结背景       最近几年，人工智能技术
阅读更多...
C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

C#使用DeepSeek API实现自然语言处理,文本分类和情感分析

《C#使用DeepSeekAPI实现自然语言处理,文本分类和情感分析》在C#中使用DeepSeekAPI可以实现多种功能,例如自然语言处理、文本分类、情感分析等,本文主要为大家介绍了具体实现步骤,... 目录准备工作文本生成文本分类问答系统代码生成翻译功能文本摘要文本校对图像描述生成总结在C#中使用Deep
阅读更多...
Linux部署jar包过程

Linux部署jar包过程

《Linux部署jar包过程》文章介绍了在Linux系统上部署Java（jar）包时需要注意的几个关键点,包括统一JDK版本、添加打包插件、修改数据库密码以及正确执行jar包的方法... 目录linux部署jar包1.统一jdk版本2.打包插件依赖3.修改密码4.执行jar包总结Linux部署jar包部署
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2