轮式机器人在复杂地形中如何选择合适的全局路径规划算法

轮式机器人的局部路径规划算法主要包括以下几类，根据算法原理和应用特点可划分为：

一、基于动态采样的算法

1. 动态窗口法（DWA）

   • 原理：在速度空间（v, w）中采样多组速度，模拟未来轨迹并评估安全性、贴近目标程度等指标，选择最优轨迹对应的速度。

   • 优点：计算效率高，实时性强，适合差速/全向轮机器人。

   • 缺点：前瞻性不足（仅模拟一步轨迹），动态避障能力弱，路径可能非全局最优。

2. 时间弹性带（TEB）

   • 原理：将路径视为弹性带，在优化框架中调整路径点的时间和空间位置，考虑动态障碍物和运动学约束。

   • 优点：支持阿克曼/差速/全向模型，动态避障能力强，路径平滑。

   • 缺点：计算复杂度高，速度和角度可能波动较大。

二、基于优化的算法

1. 模型预测控制（MPC）

   • 原理：滚动优化未来有限时间内的控制序列，结合运动学模型和约束条件生成轨迹。

   • 优点：动态调整能力强，适合复杂场景。

   • 缺点：依赖高精度模型，计算资源消耗大。

三、基于反应式的方法

1. 人工势场法

   • 原理：目标点产生吸引力，障碍物产生排斥力，合力决定运动方向。

   • 优点：实现简单，实时性高。

   • 缺点：易陷入局部极小值，难以通过狭窄通道。

2. 向量场直方图（VFH/VFH+）

   • 原理：将传感器数据转换为极坐标直方图，统计障碍物密度，选择最安全的运动方向。

   • 优点：抗传感器噪声，适应动态环境。

   • 缺点：路径可能不够平滑，前瞻性有限。

四、基于强化学习的方法

1. Q-learning/DQN

   • 原理：通过试错学习策略，结合传感器输入直接输出控制指令。

   • 优点：适应未知环境，可处理高维输入。

   • 缺点：训练成本高，实时性依赖硬件。

五、混合方法

1. 改进A/RRT的局部应用*

   • 原理：全局算法（如A*、RRT）在局部窗口内重规划，结合动态障碍物信息。

   • 场景：适用于全局路径被动态障碍物阻断时快速调整。

2. 窄区域专用算法

   • 示例：通过检测狭窄区域生成辅助路径点（ANPs），引导机器人安全通过门、走廊等。

六、其他设计思路

局部规划器常采用分步策略：

1. 路径生成：基于全局路径和传感器数据生成候选路径。

2. 最优选择：通过代价函数（如避障距离、路径长度、平滑度）评估并选择最优路径。

3. 后处理优化：对路径进行平滑处理（如二次规划），确保运动稳定性。

典型应用对比