Метод потенциального поля: настоящие роботы
Метод потенциального поля - очень популярная симуляция для робототехники. Однако кто-нибудь реализовал метод Потенциального поля на реальных роботах? Любая ссылка или любое требование использования метода в реальных роботах?
5 ответов
Я уже занимался планированием пути на местах, но отказался от него в пользу более подходящих подходов к моей проблеме. Он работает адекватно для сред, где у вас точная локализация и точные показания датчиков, но гораздо реже в реальных условиях (это не особенно удачное решение даже с точки зрения скорости и качества трассы, даже при моделировании). Учитывая, что в настоящее время существует множество хороших реализаций SLAM, доступных либо бесплатно, либо по низкой цене, я не буду беспокоиться о повторной реализации, если у вас нет особых проблем с повторным использованием. Для MRDS (над чем я работаю) есть Karto Robotics, ROS имеет SLAM-реализацию, и есть несколько реализаций с открытым исходным кодом только в поиске Google.
Если вы хотите получить хороший обзор различных подходов к планированию пути, вам может понадобиться копия "введения в автономные мобильные роботы" Segwart et al. Это довольно хорошая книга, и в разделе планирования пути дается хороший обзор различных стратегий вокруг.
Я бы посоветовал прочитать книгу " Алгоритмы планирования " Стивена М. ЛаВалля, если вы, как правило, интересуетесь планированием траектории или движения. Методы, описанные в этой книге, активно используются в сообществе робототехники.
С другой стороны, поиск в google scholar или на сайте IEEE даст вам много ссылок на статьи, описывающие использование и исследование метода потенциального поля.
Быстрый Google для потенциальных методов поля поднял эту бумагу: Методы потенциального поля и их неотъемлемые ограничения для навигации мобильного робота и напомнил мне о проблемах с прошлого раза, когда я работал с методом потенциального поля.
В наших проектах ( CWRU Mobile Robotics) мы видели именно эти проблемы с потенциальными полевыми алгоритмами. Последняя попытка, мобильного робота, чтобы конкурировать на IGVC в 2009 году, имела те же проблемы, описанные в этом документе, особенно с локальными минимумами и неспособностью преодолевать близко расположенные препятствия. Я отчетливо помню, как мне пришлось обходить проблемы с близко расположенными препятствиями, пытаясь планировать сквозь узкое отверстие в заборе, как часть задачи IGVC по навигации по путевой точке GPS.
Мы смогли получить довольно приличную скорость планирования из алгоритма, используя собственные шейдеры OpenGL для выполнения всех вычислений, представляя потенциальное поле в виде буфера изображения / кадра. Как указывает Том, это не так хорошо в неизвестных или динамических средах, так как в этих ситуациях потенциальное поле никогда не стабилизируется и будет постоянно нуждаться в обновлении.
Мы попробовали и отказались от алгоритма потенциального поля (OpenSteer) для нашего автомобиля DARPA Grand Challenge (Team Overbot) в 2003 году. Это не очень хорошая идея для неголономного робота, поскольку он не учитывает ограничения на рулевое управление или динамику. Это не работает вообще хорошо в стесненных условиях. Он лучше подходит для летательных аппаратов, где у вас много свободного пространства и вы не хотите приближаться к препятствиям.
Как @Tom указывал выше, вы обычно не можете полагаться на идеальные показания датчиков или двигатели, движущие вас точно так, как вы думали, что сказали им.
Относительно новым подходом к SLAM, который я имел возможность использовать много лет назад, был обобщенный граф Вороного ( GVG); в основном, оставайтесь на одинаковом расстоянии от ближайших двух стен, продолжайте двигаться, и в точках, где вы равноудалены от трех или более стен, возвращайтесь и пробуйте каждую ветвь с двумя стенами в некоторой точке. Вы построите график, который проведет вас по всей комнате и гарантирует, что вы будете видеть все вокруг в комнате.