基于梯度场的动态窗口方法在复杂环境中的避碰技术-计算机科学-多机器人系统-导航.pdf

基于梯度场的动态窗口方法在复杂环境中的避碰技术

ZeZhang,YifanXue,NadiaFigueroa,andKnutÅkesson

Abstract—为了在多机器人系统中实现安全灵活的导航，

本文提出了一种改进的基于预测采样的轨迹规划方法——梯度

场动态窗口法（GF-DWA）。该方法在动态窗口法的基础上，利

用障碍物距离的梯度信息作为新的代价项来预见潜在碰撞。这

一增强使机器人能够提高对障碍物的认识，包括那些非凸形状

的障碍物。梯度场是从高斯过程距离场中推导出来的，它通过

使用高斯过程回归来建模环境的空间结构而生成距离场和梯度

场。在多个避障及编队碰撞避免场景中，所提出的GF-DWA

方法在安全性和灵活性方面优于其他流行的轨迹规划与控制方Fig.1.常规DWA（左）与提出的GF-DWA（右）在遇到相同非凸障碍

本法，尤其是在存在非凸障碍物的复杂环境中表现更为突出。物时的轨迹评估策略比较。黑色多边形表示静态障碍物，而蓝色圆圈表示移

动机器人，箭头指示其运动方向。对于轨迹可视化：灰色轨迹是不可行的。

译I.介绍橙色轨迹是可行的（带有颜色渐变：红色调表示成本较低，黄色调表示成本

中随着自主移动机器人的发展，对先进的无碰撞导较高）。紫色轨迹代表最优选择。

2

v航算法的需求日益增长，这些算法使机器人能够在复

0杂环境中自主操作。在局部运动规划和控制[1]的背景使得基于优化的方法和基于采样的方法都难以找到可

6行解。此外，基于学习的方法在克服非凸障碍时也面

2下，现有方法可以大致分为基于优化的方法、基于采

3样的方法和基于学习的方法。基于优化的方法，如模临困难，因为在这样的环境中成功导航需要在训练过

0

.程中采用有效的探索策略，该策略必须包含足够的随

4型预测控制（MPC）[2],[3]和控制障碍函数[4],[5]，

0通过定义成本函数和约束条件来制定优化问题，从而机性和长期奖励结构以确保适应性决策。

5

2生成最优的控制输入。这些方法由于能够在导航任务逃离一个非凸障碍物不仅需要即时的距离信息；

:中确保安全性和稳定性而被广泛使用。基于采样的方还需要确定移动机器人是否正在接近障碍物。一种简

v

i法包括考虑运动学约束的动力窗口法（DWA）[6]–[10]单的方法是利用到障碍物距离的梯度，使机器人能够

x

r

a和快速探索随机树[11],[12]，这些方法通过生成一组采取沿梯度方向行动的措施，从而避免潜在的碰撞。

控制或状态样本，并根据目标函数评估和可行性检查欧几里得有符号距离场（ESDF）[16],[17]是一种广泛

选择最合适的方案。近年来，基于学习的方法如深度用于建模环境的方法，因为它提供了相对于最近占据

强化学习（DRL）[13]–[15]被用于运动规划和控制中，单元的距离和梯度信息。然而，为了捕捉障碍物的整

能够从与环境的交互中学到最优策略。虽然大多数导体形状，机器人需要考虑来自所有方向的距离和梯度

航算法可以高效处理凸障碍物，但非凸障碍物在局部信息，这对非凸障碍物的避障至关重要。高斯过程距

运动规划和控制方面提出了重大挑战。当多个机器人离场（GPDF）[18],[19]提供了一种概率建模环境的

在近距离操作时，由于机器人和静态障碍物的空間配方法，提供了从所有检测到的障碍物获得的距离和梯

置，可能会频繁出现非凸障碍[5],[13]。这些障碍特别度信息。这使得能够更全面地表示非凸结构，使机器

难以避免，因为它们会在目标函数中引入局部最小值，人能够在复杂环境中进行更有效的运动规划和避障。