将前文中的规划方法进行总结。如表所示对移动机器人运动规划的经典算法展开了介绍,阐述并分析了不同方法的基本工作原理和适用范围:
1. 基于图搜索的方法计算速度与道路环境及扫描地图的分辨率有关,在低维空间具有简单、方便的优势,而且往往具备解析完备性,但其生成的路径很难满足车辆运动学约束;
2. 基于数值优化的方法通过数值求解多目标优化问题,保证规划结果的最优性,但历时较长,依赖于初始值的方法容易陷入局部最优,影响整个规划过程的实时性;
3. 基于采样的方法可快速添加约束条件,完成轨迹规划,但由于缺乏引导信息,盲目性较大;
4. 基于曲线插值进行轨迹规划,能快速获取平滑且连续轨迹路线,但外界障碍的分布复杂程度影响其规划效率,多作为后端优化模块与其它方法结合使用。
值得注意的是,上述路径规划算法往往并非单独使用,而是通过组合的方式以达到更优的效果。
常用运动规划方法及其优劣
算法分类 |
算法名称 |
优点 |
缺点 |
基于曲线插值的算法 |
Dubins 曲线、多项 式曲线、Clothoid 曲线、Bézier曲 线、B 样条曲线等 |
算法复杂度低,适用局部规划,能快速获取平滑且连续轨迹路线 |
规划结果依赖于插值前的参考轨迹 |
基于图搜索的算法 |
Dijkstra算法 |
能找到最短路径, 适用于全局路径规划 |
搜索速度慢;路径不连续;不适合实时规划 |
A*系列算法 |
加入启发式函数, 搜索速度快 |
路径/轨迹不连续,效率受启发式函数影响 |
|
基于数值优化的算法 |
|
直接、准确、客观地考虑 规划问题以及各种约束条 件;路径质量高 |
计算量大实时性差,易陷入局部最优 |
基于采样的算法 |
DWA算法、状态网格法、RRT算法等 |
可以处理高维问题, 易加入约束条件 |
有限采样空间,非最优解,缺乏引导信息,盲目信息 |