机器人运动规划方法综述_唐永兴.pdf

* Authors: [[ 唐永兴]]

初读印象

comment:: 首先阐释运动规划的基本内涵及经典算法的关键步骤；其次针对实时性与解路径（轨迹）品质间的矛盾，以是否考虑微分约束为标准，有层次地总结了现有的算法加速策略；最后面向不确定性（即传感器不确定性、未来状态不确定性和环境不确定性）下的规划和智能规划提出的新需求，对运动规划领域的最新成果和发展方向进行了评述。

绪

1 开环运动规划的一个中心主题是将连续空间离散化，进而借助人工智能领域的离散搜索思想，将求解运动规划问题视为在高维自由构型空间或自由相空间中的搜索过程。
2 反馈运动规划则通过对不确定性进行建模，并将该模型融入规划过程，为机器人的实际运动提供了安全保障。

传统运动规划

解决传统运动规划问题的思路正是用包含可数个节点的图结构G(V, E)捕捉Cfree的连通信息，并基于此离散结构搜索解路径。

组合运动规划

CMP为基于显式表示的障碍物。
可达性
对于任一 q ∈Cfree，可以简单高效地计算一条以其为起点，以S中任一点s为终点的路径τ:[0 1]→Cfree，即τ(0)=q，τ(1)=s。
连通性
由Cfree的胞腔剖分间接生成，如垂直胞腔剖分、圆柱代数剖分等；或通过其他方法直接构造，如可视图法、广义维罗尼图法、轮廓法等。进而利用图搜索算法如Dijkstra算法、A算法、ARA算法、DLite算法、AD算法及Theta星算法等寻找解路径
总结
对二维空间非常友好，效果也很好，但是高维空间实时性不太好

基于采样的运动规划

SBMP通过碰撞检测模块来避免显式构建Cobs，并且利用可数的采样点集或采样序列及满足一定条件的连接方式近似捕捉无限不可数的Cfree的连通特性。

利用确定性采样方式提升算法性能
利用收集到的Cfree形状信息改善采样分布
利用解路径代价和尚需代价的估值导引采样分布
重复使用之前有效的搜索信息并降低重规划的频率
利用学习算法加速传统运动规划问题的求解过程

考虑微分约束的开环运动规划

基于采样的方法：由于微分约束破坏了CMP所需的良好特性，仅有SBMP可能实现较好移植。
基于优化的方法：其一般有三种应用场景，一是在前述解耦规划中，用于平滑和缩短由其它规划算法（如SBMP）生成的路径；二是直接从较差初始猜想（可能是与障碍物相交的线段）开始计算局部最优的无碰轨迹；三是在已知自由空间的凸胞腔族中规划微分约束可行的(最优)轨迹。