復雜環境下移動機器人全局路徑規劃與跟蹤

周 滔,趙 津,胡秋霞,席阿行,劉東杰

(貴州大學 機械工程學院,貴陽 550025)

0 概述

移動機器人在工業和服務業中應用較為廣泛。其中,路徑規劃和跟蹤反映了移動機器人在路面行駛與環境的交互能力,在復雜環境中其對路徑規劃算法的要求較高。目前,國內外學者提出許多路徑規劃算法及其改進算法,并對生成的運動軌跡進行有效跟蹤。文獻[1]針對障礙物密集的環境提出一種回報詳細分類Q(RDC-Q)學習算法,使機器人在運行空間達到一個安全等級較高的狀態。文獻[2]研究蟻群算法的主要參數對規劃路徑的長度和搜索效率的影響,驗證蟻群算法最佳匹配參數組的準確性,在復雜環境下經過多次迭代得到最短路徑。大量研究表明,機器人硬件系統的精度[3-5]在短期內不能得到解決的情況下,對路徑規劃算法研究顯得尤為重要。文獻[6]將已知環境柵格化后,規劃出最優路徑,在聯合虛擬仿真平臺上采用一種輸入輸出反饋線性化的運動控制器對路徑進行跟蹤。但使用的路徑規劃算法只能在單一環境下尋優且路徑跟蹤誤差較大。文獻[7]根據農業機器人的工作特點和運動特性,基于遺傳算法得到全局路徑,并沿運動軌跡行駛,提高農業機器人自主控制能力。文獻[8]基于B樣條曲線將特定環境下的路徑進行優化,提高了移動機器人的行駛平順性。但全局規劃算法的選擇研究較少,其需要針對應用場景考慮算法的綜合性能,包括路徑長度、運行時間和穩定性。

為了滿足復雜環境下全局路徑的實時性要求和最短路徑的需求,本文通過分析人工勢場(Artificial Potential Field,APF)法、A*算法、雙向快速擴展隨機樹(Bidirectional Rapidly Exploring Random Trees,BRRT)算法和概率路標(Probabilistic Roadmap,PRM)算法的優劣,將4種算法分別應用到簡單與復雜環境下,然后選擇最優的算法在建立的復雜環境下實時規劃出無碰撞、路徑較短的全局路徑,并采用一種改進的移動機器人自適應軌跡跟蹤控制算法對其運動軌跡進行跟蹤。

1 路徑規劃算法

1.1 人工勢場法模型

人工勢場法將控制對象看作二維空間中的一個質點,機器人在運動空間中任意位置X(X=[xy]T)的移動方向由機器人的勢場合力的方向決定[9]。 引力勢場函數為:

(1)

其中,k(k>0)是引力場的比例位置增益系數,X是機器人在運動空間的位置,Xg是目標位置,ρ(X,Xg)=‖Xg-X‖表示X與Xg之間的距離,則吸引力負梯度可以用勢場函數表示:

Fatt=-[Uatt(X)]=k(X-Xg)

(2)

斥力場函數為:

(3)

其中,η和ρ(X,X0)的定義同引力場,ρ0由障礙物和目標的具體情況而定,是受障礙物影響的距離長度,其小于目標與障礙物之間的最小距離,同時小于障礙物之間距離的一半。

相應的斥力用斥力場函數表示為:

Frep(X)=-[Urep(X)]

(4)

Frep(XX=

(5)

機器人受到的合力為:

Ft=Fatt+Frep

(6)

機器人在運動空間的受力情況如圖1所示。

圖1 機器人受力情況

機器人的初始位置和目標位置如圖2(a)所示,利用人工勢場法得到圖2(b)和圖2(c),分別是APF產生的引力場和排斥場。從機器人各個角度測量障礙物的距離,產生的力可以用來控制機器人的速度。

圖2 APF引力場和斥力場

圖2(a)依據人工勢場法得到總勢場和APF生成路徑結果如圖3所示,負坡度平面表示引力,錐形表示障礙物依據人工勢場法生成的斥力。 APF極易陷入極小值,針對此問題,研究人員提出多種方法來避免。例如,添加一個虛擬障礙,避免陷入局部最小[10];使用模擬退火算法或實施改進的斥力場模型;通過改變障礙物自適應勢場函數的權重來使機器人逃離局部最小。APF方法速度快,計算量小,因此,主要用于局部路徑規劃和避障[11]。

圖3 APF總勢場和路徑

1.2 A*算法

A*算法是一種啟發算法,由于其最優性、完備性、高效性,是當前被廣泛應用的一種路徑規劃算法[12],對A*算法的改進也是路徑規劃領域的研究熱點。A*算法估價函數式可表述為:

f(n)=g(n)+h(n)

(7)

其中,f(n)表示總的啟發式代價函數,為起點到當前節點n的實際距離函數,g(n)是節點到目標的啟發式代價,h(n)小于或等于節點n到目標點的實際距離,是得到最優解的條件,h(n)表示當前節點到目標的歐氏距離[13],即:

(8)

A*算法的路徑規劃如圖4所示,其中黑色代表障礙物,白色是自由空間,灰色是搜索的空間,線條對應從原點到目標位置的最短路徑。

圖4 A*算法路徑規劃

A*算法概念簡單,易于實現,但其對內存要求較高。因為必須事先存儲整個地圖,所以不適合應用在大場景或高維操作空間。

1.3 快速擴展隨機樹算法

1.3.1 RRT

文獻[14]提出一種快速擴展隨機樹(Rapidly-exploring Randorn Trees,RRT)搜索算法[14]。該算法的基本構造如圖5所示,其為了達到期望的距離,將逐步、快速地降低樹與隨機采樣節點之間的距離。RRT包括一個碰撞檢測算法的擴展過程,由一個度量函數、隨機采樣算法和組態空間組成[15],最終找到從起點qinit到目標qgoal的可行路徑。

圖5 RRT算法構造示意圖

1.3.2 BRRT

BRRT用2個RRT加快路徑規劃速度:從起點開始,隨機樹朝著目標擴展;從目標開始,隨機樹向起點擴展,當兩樹相遇時路徑便會產生[16]。本文采用雙向RRT算法,如圖6所示,圖6(a)中2棵不同節點的樹,即BRRT隨機采樣過程,五角星節點是兩棵樹的交點。該方法的優點是對空間隨機抽樣,進而減少計算量,快速生成次優路徑。

圖6 BRRT生成的路徑

1.4 概率路標算法

文獻[17]提出一種基于圖搜索的概率路標算法,具體步驟如下:

1)創建離線地圖。隨機選擇不在障礙物內部的點,用直線連接所有頂點,并在整個工作區繪制一個圖表。

2)在線路徑規劃。根據已知圖(路線圖),使用基于圖搜索的路徑規劃算法與運用A*算法,定義連接點之間的歐幾里德距離為局部代價,與目標點之間的歐幾里德距離作為啟發式代價[18]。

圖7是采用概率路標算法得到的隨機采樣結果及機器人路徑規劃路線圖。PRM能用相對少的隨機采樣點找到一個解,當采樣點太少,或者分布不合理時,PRM算法是不完備的,且重復性較差。如果增加隨機采樣點,則算法可以達到完備。因此,PRM是概率完備但不是最優的算法。

2 路徑規劃算法仿真結果對比

本文從低分辨率圖像的地圖服務中導出道路地圖圖像。此處非道路區域歸為障礙區,并定義這些區域為禁止區域,用像素為0的黑色表示。道路區域歸為移動機器人的自由區域,可以自由通行,用像素為1的白色表示。如圖8所示,原始地圖二值化,進行濾波膨脹處理(消除文本信息),圖像下載到設計的Matlab仿真平臺GUI地圖區域,應用到實驗場景分析中的場景2。

圖8 復雜環境的建立

為了測試4種算法在線實時路徑規劃能力,本文選擇適合復雜環境下的全局路徑規劃算法,在同一起點和終點設置條件下對20次實驗結果進行比較分析,在簡單環境和復雜環境下討論4種算法的綜合性能,即實時性和最短路徑需求。

2.1 簡單環境

場景1是將2個形狀不一樣的圓形特征添加到地圖中,起點(22,21),終點(70,85)。4種算法在20次實驗中均找到了最優路徑,如圖9所示,將路徑長度、平均運行時間進行統計分析,結果如圖10和表1所示。

圖9 場景1路徑規劃結果

圖10 4種算法的路徑長度

算法平均計算時間APF算法295A*算法3 402BRRT算法3 079PRM算法2 964

在圖10中,最短路徑是由確定性搜索算法APF得到,APF算法的路徑優于A*算法,其次是PRM與BRRT。這是因為受勢場力的作用,APF在局部區域得到的路徑優于其他3種算法得到的路徑。因此,大多數研究將APF用于局部規劃。

從運行時間上看,A*算法運行時間最長,依次是BRRT、PRM、APF。數據顯示的隨機性搜索算法BRRT和PRM隨機性較強,搜索路徑不能重復,穩定性較差。綜合考慮路徑長度與運行時間結果可知,在簡單環境下的路徑規劃應選擇APF算法。

2.2 復雜環境

場景2是一個充滿狹窄通道的復雜地圖,起點(6,7),終點(97,79)。如圖11所示,APF在22次實驗中第20次成功找到最優路徑,為了分析與其他3種算法的路徑長度與運行時間,對尋找到最優路徑的20次實驗的路徑長度、平均運行時間進行統計分析。4種算法的路徑長度如圖12所示,確定性搜索算法A*與APF的路徑整體上優于隨機性算法BRRT與PRM,同時BRRT與PRM的概率完備且不最優。如圖11所示,BRRT的路徑不平滑,2種算法均不利于當前環境下的路徑規劃。

圖11 場景2路徑規劃結果

圖12 4種算法的路徑長度

在表2中,復雜環境下搜索時間最長的是BRRT,然后依次是A*、PRM、APF。A*算法必須覆蓋幾乎整個操作空間,才能找到一個最佳的解決方案,所以其過程比APF方法慢很多。但在實驗中,實現APF算法時,出現了找不到路徑的現象,是因為APF在復雜環境下無法避開局部極小值。所以,該算法不完備,且非最優化。

表2 4種算法在場景2中的路徑規劃時間

通過復雜環境與簡單環境的比較可以得出,全局路徑規劃算法有多種,它們不能同時滿足所有需求,即沒有通用的全局規劃程序,但每一種路徑規劃算法都具有獨特的特性,使算法本身適用于特定的問題。在復雜環境下,本文綜合路徑長度、搜索時間、穩定性考慮,A*是最適合的路徑規劃算法,將得到的路徑作為后續移動機器人跟蹤的參考軌跡。

3 軌跡跟蹤

3.1 軌跡跟蹤過程

本文研究控制的是一種軸對稱非完整約束的2輪差分驅動移動機器人,輪式移動機器人的運動學模型如圖13所示。

圖13 移動機器人軌跡跟蹤模型

假設當前位姿為pc=[xc,yc,θc]T,給定的參考位姿pr=[xr,yr,θr]T,當前速度矢量qc=[vc,wc]T,給定的參考速度矢量qr=[vr,wr]T,根據非線性約束方程:

(9)

跟蹤的位姿誤差為:

(10)

控制目標是為了實現機器人的行駛軌跡同參考軌跡相吻合。其位姿誤差的微分方程為:

(11)

將反步法引入基于運動學軌跡的跟蹤控制律,使其有更好的跟蹤效果[19-20]。

(12)

圖14 移動機器人跟蹤控制框圖

3.2 控制律設計

根據建立的移動機器人運動學模型,本文應用改進的自適應軌跡跟蹤控制算法[21]。該算法為了加速軌跡的誤差收斂速度,在機器人位姿誤差中引入縱坐標誤差,并采用人工勢場與位姿誤差協同控制機器人導向。

3.2.1 人工勢場法

(13)

因此,可得:

(14)

圖15 人工場計算示意圖

3.2.2 人工勢場法的控制律設計

在控制律式(12)中導入以上人工場方法得到設計的控制律為:

(15)

其中,kx、ky、kθ、kβ、kd均為非負數的控制參數。

(16)

3.3 軌跡跟蹤結果

實驗跟蹤運動軌跡的實驗參數為:起始點(6,7)到終點(97,79),長度為150 m,機器人初始位姿(5.7,6.7,π/14)。2個跟蹤參考輸入為:vr=1.2 m/s,wr=0 rad/s。

如圖16～圖18所示,路徑平滑處理后,對相鄰節點分段進行跟蹤,移動機器人橫向和縱向上的跟蹤誤差在理想軌跡波動較大處明顯,最大誤差范圍max{|xe|,|ye|}=0.14 m,在可控范圍內。結合位姿誤差和方向角跟蹤結果可知,該控制算法有效地跟蹤了設計的期望軌跡。

圖16 參考軌跡與跟蹤軌跡

圖17 移動機器人方向跟蹤

圖18 移動機器人位姿誤差

4 結束語

為解決在復雜環境下移動機器人的路徑規劃與跟蹤問題,本文利用可視化GUI設計4種路徑規劃算法仿真平臺。在簡單環境和復雜環境下對比隨機性搜索算法與確定性搜索算法的優劣,綜合算法的路徑長度、運行時間、穩定性,在簡單環境中選擇APF算法,在復雜地圖中選擇A*算法,并采用一種改進的基于運動學模型的移動機器人對最優運動軌跡進行跟蹤。仿真結果驗證了本文算法的有效性。下一步將研究基于多傳感器定位的導航問題,實現移動機器人在室外復雜環境下的自主導航。