Java教程

TEB算法-2

本文主要是介绍TEB算法-2,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!

文章目录

  • 1. 设置机器人的形状
    • 1.1 BaseRobotFootprintModel
    • 1.2 其他RobotFootprintModel
  • 2. TEB路线规划器
    • 2.1 基类PlannerInterface
    • 2.2 TebOptimalPlanner
      • 2.2.1 构造函数
      • 2.2.2 基类接口中定义的函数
      • 2.2.3 设定起始速度
      • 2.2.4 障碍物操作
      • 2.2.5 通过点操作
      • 2.2.6 可视化(需要修改)
      • 2.2.7 工具函数

1. 设置机器人的形状

RobotFootprintModel为机器人的模型基类,用来定义机器人的形状。但机器人模型类目前只用于优化,因为考虑到导航栈的足迹可能是低效的。因此,设置机器人的形状只是用来检测可行性。

此类族在robot_footprint_model.h头文件中。

1.1 BaseRobotFootprintModel

函数如下:

  1. calculateDistance(const PoseSE2& current_pose, const Obstacle* obstacle) 计算机器人到障碍物的距离。其中current_pose为当前机器人的位姿。
  2. estimateSpatioTemporalDistance(const PoseSE2& current_pose, const Obstacle* obstacle, double t) 计算机器人到障碍物的时空距离。其中current_pose为当前机器人的位姿。
  3. getInscribedRadius() 计算机器人的半径

1.2 其他RobotFootprintModel

下面介绍更具体的模型。

  1. PointRobotFootprint 点机器人足迹模型。不使用CircularRobotFootprint,而是使用这个类,机器人的半径可以被添加到最小距离参数中。这就避免了每次计算距离时都要减去零。
  2. CircularRobotFootprint 圆形机器人足迹模型。建议用上面的点足迹模型,可以优化计算。
  3. TwoCirclesRobotFootprint 双圆形机器人足迹模型。用两个移位的圆来近似机器人。
  4. LineRobotFootprint 线段机器人足迹模型。这个模型中宽度为0。
  5. PolygonRobotFootprint 多边形机器人足迹模型。这个模型用来表示足迹为封闭多边形的小车。

2. TEB路线规划器

teb_local_planner是TEB算法的核心代码。里面包含了对最优路径的选择和计算,并且,可以求出当前应该要行驶的线速度和角速度。

2.1 基类PlannerInterface

PlannerInterface是TEB算法继承的基类。里面定义了一个规划器应该具有的功能和能提供的服务。

里面的函数有:

  1. plan: 用于规划路径的
  2. getVelocityCommand: 根据上一次的路径规划获取速度指令的
  3. clearPlanner(): 重置规划器清除之前记录的规划结果的
  4. setPreferredTurningDir(RotType dir): 选择于一个理想的初始转弯方向(通过惩罚反对的方向),如果计划的轨迹在两个成本相近的解决方案(在同一等价类中!)之间摇摆,可以指定一个期望的(初始)转弯方向。检查参数,以便调整惩罚的权重。初始意味着惩罚只适用于轨迹的前几个姿势。
  5. visualize(): 查看planner中规划的具体内容。但这个只是一个接口,覆盖此方法,以提供一个接口,一次性执行所有与规划器相关的可视化。
  6. isTrajectoryFeasible(void): 检查规划的路径是否可行。
  7. computeCurrentCost: 计算并返回当前优化图的代价(支持多个轨迹)。

2.2 TebOptimalPlanner

该类采用g2o框架优化了时间弹性带轨迹。

2.2.1 构造函数

TebOptimalPlanner(const TebConfig& cfg, ObstContainer* obstacles = NULL, RobotFootprintModelPtr robot_model = boost::make_shared<PointRobotFootprint>(), TebVisualizationPtr visual = TebVisualizationPtr(), const ViaPointContainer* via_points = NULL);

必选参数介绍:

  1. cfg: 这里的参数其实是整个算法需要认为调整的参数。前面已经有简单介绍过。
  2. obstacles: 该参数类型是ObstContainer。这个类型在Obstacle类里面,把一个复杂的类型用简单的名字去声明:typedef std::vector<ObstaclePtr>,可以看出,这个本质上是一个指针数组,其中,里面的类型ObstaclePtr也是其他类型的别称:typedef boost::shared_ptr<const Obstacle> ObstacleConstPtr。因此,如果需要传入这个类型的参数,只需要根据类型创建相应的变量,并传入指针就好。

可选参数介绍:

  1. robot_model: 这里设置机器人的足迹形状,用来判断算法生成的路径是否可行。默认为点足迹形状,把机器人看成一个点。
  2. visual: 这里传入机器人可视化的类,如果想要显示路径可视化,可传入对应的参数。如果没有,则会默认生成一个对应的变量。
  3. via_points: 这里传入经过的点的容器类,用来存储自己设定要经过的点。具体可看我之前的分析。

初始化函数,用于构造函数:

void initialize(const TebConfig& cfg, ObstContainer* obstacles = NULL, RobotFootprintModelPtr robot_model = boost::make_shared<PointRobotFootprint>(), TebVisualizationPtr visual = TebVisualizationPtr(), const ViaPointContainer* via_points = NULL)

这里作用为初始化算法,其中的参数的含义和上面构造函数类似。

2.2.2 基类接口中定义的函数

  1. 路径规划:

    1. 参数为通过一系列包含时间序列的最初的执行计划,一开始的线速度和角速度,以及最后是否允许到达目标的时候还有速度。

      bool plan(const std::vector<PoseStamped>& initial_plan, const Twist* start_vel = NULL, bool free_goal_vel=false)
      
    2. 参数为一开始的位姿,目的地位姿,开始时的线速度和角速度,以及最后是否允许到达目标的时候还有速度。不过这里有两种表示位姿的方式。

      bool plan(const Pose& start, const Pose& goal, const Twist* start_vel = NULL, bool free_goal_vel=false)
      
      // 通过另一种方式表示位姿:位置坐标一样,姿态不用四元数表示,使用theta表示
      bool plan(const PoseSE2& start, const PoseSE2& goal, const Twist* start_vel = NULL, bool free_goal_vel=false)    
      
  2. 获取下达的速度指令。其中,线速度被分解为x和y两个方向的速度,单位为m/s。角速度的单位rad/s。但需要输入参数表明要计算最后一个位姿的序号,用来计算某个位姿的下一刻的速度。

    bool getVelocityCommand(float& vx, float& vy, float& omega, int look_ahead_poses) const;
    
  3. 重置TEB规划器。清除内部的数据结构图和路径。

    virtual void clearPlanner()
    {
        clearGraph();
        teb_.clearTimedElasticBand();
    }
    
  4. 设定倾向的最初的转弯角度。通过惩罚另外一个完成。如果计划的轨迹在两个成本相近的解决方案(在同一等价类中!)之间摇摆,可以指定一个期望的(初始)转弯方向。检查参数,以便调整惩罚的权重。初始意味着惩罚只适用于轨迹的前几个姿势。

    virtual void setPreferredTurningDir(RotType dir) {prefer_rotdir_=dir;}
    
  5. 发布局部路径规划和位姿序列,比如,需要订阅rviz,这里的话,需要我们针对修改,应该不能使用它原生的程序。

    virtual void visualize();
    
  6. 计算并返回当前优化图的代价(支持多个轨迹)。

    virtual void computeCurrentCost(std::vector<double>& cost, double obst_cost_scale=1.0, double viapoint_cost_scale=1.0, bool alternative_time_cost=false)
    {
        computeCurrentCost(obst_cost_scale, viapoint_cost_scale, alternative_time_cost);
        cost.push_back( getCurrentCost() );
    }
    

2.2.3 设定起始速度

  1. 优化一个先前已经初始化过的轨迹。不过,这主要是给plan()函数用,我们只需要调用plan函数就可。

    bool optimizeTEB(int iterations_innerloop, int iterations_outerloop, bool compute_cost_afterwards = false, double obst_cost_scale=1.0, double viapoint_cost_scale=1.0, bool alternative_time_cost=false);
    
  2. 设置轨迹的初始位姿的速度,通过线速度和角速度去设置。通过plan函数传递相关参数进行调用。

    void setVelocityStart(const Twist& vel_start);
    
  3. 设定期望的目标位姿的速度。通过plan函数调用,是否调用取决于,我们在plan函数中的参数free_goal_vel是否设置为false,并且有指定的速度要求。

    void setVelocityGoal(const Twist& vel_goal);
    
  4. 设定期望的目标位姿的速度为限定速度的最大值。通过plan函数调用,是否调用取决于,我们在plan函数中的参数free_goal_vel是否设置为true

    void setVelocityGoalFree() {vel_goal_.first = false;}
    

2.2.4 障碍物操作

  1. 重新设置新的障碍物集合。参数指针可为null。注意,这个方法会覆盖在构造函数中初始化的障碍物集合。

    void setObstVector(ObstContainer* obst_vector) {obstacles_ = obst_vector;}
    
  2. 获取障碍物集合。

    const ObstContainer& getObstVector() const {return *obstacles_;}
    

2.2.5 通过点操作

  1. 设置新的通过点集合。参数指针可为null。注意,这个方法会覆盖在构造函数中初始化的通过点集合。

    void setViaPoints(const ViaPointContainer* via_points) {via_points_ = via_points;}
    
  2. 获取通过点集合。

    const ViaPointContainer& getViaPoints() const {return *via_points_;}
    

2.2.6 可视化(需要修改)

  1. 注册一个TebVisualization类,以启用可视化程序(例如,发布局部路径规划和位姿序列)。

    void setVisualization(TebVisualizationPtr visualization);
    
  2. 发布局部路径规划和位姿序列,比如,需要订阅rviz,这里的话,需要我们针对修改,应该不能使用它原生的程序。

    virtual void visualize();
    

2.2.7 工具函数

  1. 重置TEB规划器。清除内部的数据结构图和路径。

    virtual void clearPlanner()
    {
        clearGraph();
        teb_.clearTimedElasticBand();
    }
    
  2. 设定倾向的最初的转弯角度。通过惩罚另外一个完成。如果计划的轨迹在两个成本相近的解决方案(在同一等价类中!)之间摇摆,可以指定一个期望的(初始)转弯方向。检查参数,以便调整惩罚的权重。初始意味着惩罚只适用于轨迹的前几个姿势。

    virtual void setPreferredTurningDir(RotType dir) {prefer_rotdir_=dir;}
    
  3. 将为TEB定义的顶点和边注册到g2o::Factory

    static void registerG2OTypes();
    
  4. 访问内部的TimedElasticBand轨迹。

    TimedElasticBand& teb() {return teb_;};
    const TimedElasticBand& teb() const {return teb_;}; //只读模式
    
  5. 访问内部的g2o优化器。

    boost::shared_ptr<g2o::SparseOptimizer> optimizer() {return optimizer_;};
    boost::shared_ptr<const g2o::SparseOptimizer> optimizer() const {return optimizer_;}; // 只读模式
    
  6. 检测最后一次优化是否成功

    bool isOptimized() const {return optimized_;};
    
  7. 计算一个给定的优化问题的cost vector(hyper-graph(超图) 必须有)。使用这种方法可以获得关于当前边缘误差/成本(局部成本函数)的信息。成本值的向量是根据不同的边的类型(时间_最佳,障碍物,…)组成的。详细的构成请参考方法声明。最小化时间差的边(EdgeTimeOptimal)的成本对应于所有单次时间差的平方之和。$ \sum_i \Delta T_i^2 $。有时,用户可能希望得到一个与实际轨迹转换时间成比例或相同的值 $\sum_i Δ T_i $。将alternative_time_cost设置为true,以便得到用后一个方程计算的成本,但要检查实现的定义,如果该值被缩放以匹配其他成本值的大小。

    void computeCurrentCost(double obst_cost_scale=1.0, double viapoint_cost_scale=1.0, bool alternative_time_cost=false);
    
  8. 计算并返回当前优化图的代价(支持多个轨迹)。

    virtual void computeCurrentCost(std::vector<double>& cost, double obst_cost_scale=1.0, double viapoint_cost_scale=1.0, bool alternative_time_cost=false)
    {
        computeCurrentCost(obst_cost_scale, viapoint_cost_scale, alternative_time_cost);
        cost.push_back( getCurrentCost() );
    }
    
  9. 获取成本向量(cost vector)。通过使用computeCurrentCost或调用了costtrueoptimationTEB函数计算出的累计成本值。

    double getCurrentCost() const {return cost_;}
    
  10. 从连续位姿和时间差中提取速度(包括完整性机器人的strafing(纵向?)速度)。速度是用有限差分法提取的。平移速度的方向也被确定。

    inline void extractVelocity(const PoseSE2& pose1, const PoseSE2& pose2, double dt, float& vx, float& vy, float& omega) const;
    
  11. 计算轨迹的速度分布。这种方法计算出完整计划轨迹的平移和旋转速度。第一个速度是作为初始速度提供的速度(固定)。索引k=2…end-1的速度与从姿势_{k-1}到姿势_k的转换有关。最后一个速度是最终速度(固定的)。因此Twist对象的数量是sizePoses()+1。总结如下:

    v[0] = v_start,
    v[1,...end-1] = +-(pose_{k+1}-pose{k})/dt,
    v(end) = v_goal
    
    void getVelocityProfile(std::vector<Twist>& velocity_profile) const;
    
  12. 获取完整的路径信息,包括位姿序列,速度分布和时间信息。它对于评估和调试目的或开环控制很有用。由于用差分商数得到的速度是连续姿势之间的平均速度,因此在时间戳k处的每个姿势的速度是通过取两个速度之间的平均值得到的。第一个姿势的速度是v_start(提供初始值),最后一个姿势的速度是v_goal(通常为零,如果free_goal_velfalse)。参见getVelocityProfile()获取连续点之间的速度列表。速度分布暂时还没有加上。

    void getFullTrajectory(std::vector<Eigen::Vector3f>& trajectory) const;
    
  13. 检查规划的路径是否可行。这个方法目前只检查轨迹或轨迹的一部分是否无碰撞。障碍物在这里被表示为costmap而不是内部的ObstacleContainer

    virtual bool isTrajectoryFeasible(void);
    

protected的函数这里就不展开介绍了。

这篇关于TEB算法-2的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!