问势场法:真实机器人

EN

我以前做过潜在的基于领域的路径规划，但为了更合适的方法来解决我的问题而放弃了它。它在具有精确定位和准确传感器读数的环境中工作得很好，但在现实环境中就不那么好用了(即使在速度和路径质量方面，甚至在模拟环境中，它也不是一个特别好的解决方案)。考虑到现在有很多免费或低成本的好的SLAM实现，除非你在重用方面有非常具体的问题，否则我不会费心重新实现。对于MRDS (我从事的工作)，有Karto Robotics，ROS有一个SLAM实现，还有几个开源实现，谷歌搜索一下就知道了。

如果你想对路径规划的不同方法有一个很好的概述，那么你可能想要拿一本Segwart等人的“自主移动机器人简介”。这是一本很好的书，路径规划部分对周围的不同策略进行了很好的概述。

如果你通常对路径或运动规划感兴趣，我建议你读一下Steven M. LaValle写的Planning Algorithms这本书。本书中描述的方法在机器人社区中得到了积极的应用。

另一方面，在谷歌学者或IEEE网站上搜索，你会得到大量描述势场法的使用和研究的论文的参考资料。

谷歌对势场方法的快速搜索提出了这篇文章：Potential Field Methods and Their Inherent Limitations for Mobile Robot Navigation，并提醒我上次使用势场方法时遇到的问题。

在我们的项目(CWRU Mobile Robotics)中，我们已经看到了基于势场算法的这些确切问题。上一次尝试是在2009年的IGVC比赛中，一个移动机器人遇到了那篇论文中描述的同样的问题，特别是局部最小值，并且无法穿过密集的障碍物。我清楚地记得，在IGVC的GPS航点导航挑战中，我试图通过栅栏上的一个狭窄开口进行规划时，不得不绕过间距较近的障碍物的问题。

通过使用自定义OpenGL着色器来执行所有计算，同时将势场表示为图像/帧缓冲区，我们能够从算法中获得相当不错的规划速度。正如Tom指出的那样，它在未知或动态的环境中并不是很好，因为在这些情况下，势场永远不会稳定，并且需要不断更新。