伍強精品課堂:路徑規劃A*算法及SLAM自主地圖創建導航算法

作者:曼陀羅彼岸花 時間:2020/02/19 來源:曼陀羅彼岸花

        版權聲明:本文為CSDN博主「曼陀羅彼岸花」的原創文章,遵循 CC 4.0 BY-SA 版權協議,轉載請附上原文出處鏈接及本聲明。

        原文鏈接:

        https://blog.csdn.net/tiandijun/article/details/62226163

        下面是路徑規劃最常用的A*算法的介紹。

        1、路徑規劃定義

        路徑規劃是指的是機器人的最優路徑規劃問題,即依據某個或某些優化準則(如工作代價最小、行走路徑最短、行走時間最短等),在工作空間中找到一個從起始狀態到目標狀態能避開障礙物的最優路徑。

        也就是說,應注意以下三點:

        ?   明確起始位置及終點

        ?   避開障礙物

        ?   盡可能做到路徑上的優化


        機器人的路徑規劃應用場景極豐富,最常見如游戲中NPC及控制角色的位置移動,百度地圖等導航問題,小到家庭掃地機器人、無人機,大到各公司正爭相開拓的無人駕駛汽車等。

        這里介紹一下在游戲以及無人機航線規劃上最常見的A*算法。

        2、A*算法詳解

        在計算機科學中,A*算法作為Dijkstra算法的擴展,因其高效性而被廣泛應用于尋路及圖的遍歷,如星際爭霸等游戲中就大量使用。

        在理解算法前,我們需要知道幾個概念:

        搜索區域(The Search Area):圖中的搜索區域被劃分為了簡單的二維數組,數組每個元素對應一個小方格,當然我們也可以將區域等分成是五角星、矩形等,通常將一個單位的中心點稱之為搜索區域節點(Node),而非方格(Squares)。

        開放列表(Open List):我們將路徑規劃過程中待檢測的節點存放于Open List中,而已檢測過的格子則存放于Close List中。

        父節點(parent):在路徑規劃中用于回溯的節點,開發時可考慮為雙向鏈表結構中的父節點指針。

        路徑排序(Path Sorting):具體往哪個節點移動由以下公式確定:F(n) = G(n) + H(n)。G代表的是從初始位置A沿著已生成的路徑到指定待檢測格子的移動開銷。H指定待測格子到目標節點B的估計移動開銷。

        啟發函數(Heuristics Function):H為啟發函數,也被認為是一種試探,由于在找到唯一路徑前,我們不確定在前面會出現什么障礙物,因此用了一種計算H的算法,具體根據實際場景決定。在我們簡化的模型中,H采用的是傳統的曼哈頓距離(Manhattan Distance),也就是橫縱向走的距離之和。

        如圖中所示,綠色方塊為機器人起始位置A,紅色方塊為目標位置B,藍色為障礙物。

        現用A*算法尋找出一條自綠色A到紅色B的最短路徑,經簡化,每個方格的邊長為10,即垂直水平方向移動開銷為10。節點對角線為10,因此斜對角移動開銷約等于14。因此具體步驟如下:

        (1)將A點加入到Open List中,圖中所示,上下左右移動一格距離為10,斜對角移動距離為14。環繞綠色方塊的就是待檢測格子,左下角的值就是G值,右下角為H值,左上角對應的就是F值,找到F值最小的節點作為新的起始位置。

        (2)綠色格子右側的節點F為40,選作當前處理節點,并將這個點從Open List刪除,增加到Close List中,對這個節點周圍的8個格子進行判斷,若是不可通過或已經在Close List中,則忽略之。否則執行以下步驟:

        若當前處理格子的相鄰格子已經在Open List中,那就計算臨近節點經當前處理節點到起點的距離G是否比原G值小,若小,則把相鄰節點的父節點(parent)設置為當前處理節點。

        若當前處理格子的相鄰格子不在Open List中,那么把它加入,并將它的父節點設置為該節點。

        (3)重復1、2步驟,直到終點B加入到了Open List中,再沿著各節點的父節點回溯遍歷,將遍歷得到的節點坐標保存下來,所得的節點就是最短路徑。

        最終效果如圖所示:

        在Github上找到了一個A-star的c++源碼:https://github.com/booirror/data-structures-and-algorithm-in-c供參考。

        但也發現,在整個計算過程中,A*算法結合了啟發式方法,利用估值函數F(H)來估計途中當前點與終點距離,并由此決定搜索方向,當這條路失敗會重新嘗試其他路徑,但不理想的估值函數會導致整個算法運行很慢,而且這種算法雖說在時間上最優,但也存在空間增長是指數級別的缺點。因此在往高維狀態空間進行運算時,速度會受到影響,基于A*算法迭代加深的IDA*算法則有效解決了空間增長帶來的問題。

        3、自動駕駛對路徑規劃的需求

        目前業內對自動駕駛的技術方案觀點較為一致,主要可分為四個部分:

        因此首先要做的就是對外部環境的實時獲取及車輛的動態路徑規劃。 傳統機器人路徑規劃大致可分三種:

        ?   靜態結構化環境下的路徑規劃

        ?   動態已知環境下的路徑規劃

        ?   動態不確定環境下的路徑規劃

        將其與自動駕駛對應起來,靜態的規劃就是根據地理信息以及交通規則在已知的全局地圖上進行道路循跡,但這個技術對于目前自動駕駛實現來說并沒有什么實際應用價值。

        自動駕駛需要的是對預先已選擇好的最優路徑,甚至在未知的環境下,基于實時不確定的場景,進行動態調整的路徑規劃技術,而這對地圖的需求、外部信息采集等就還是要依賴上一篇提及的如攝像頭、激光雷達、傳感器等硬件的支持。

        之前網上有在轉載的一篇《從算法上解讀自動駕駛是如何實現的》也有所總結,提到目前自動駕駛上應用較廣的有Dijkstra、Lee、Floyd、雙向搜索算法以及蟻群算法,大家如果感興趣可以自行搜索學習,這里不再贅述。

        現有傳統機器人路徑規劃技術已經發展得較為成熟,而將該技術如何更為符合場景地應用到自動駕駛技術上還有很長的探索階段,但現已存在的包括A*算法在內的一系列最優路徑算法將會越來越由于圖論、人工智能、機器人技術、自動駕駛等多學科的融合下得到更大的發展。

海王捕鱼淘宝充值 极速赛车6码怎么看规律 基金资产配置怎么看 江苏十一选五今天开 时时彩软件杀后三和值 北京11选规则 上海快三时间段 上市公司怎么发行股票 北京11选五中奖规则 福建体彩36选七今晚 炒股入门知识图解