Метод потенциального поля: Реальные Роботы
Метод потенциального поля является очень популярным моделированием для Навигации Робота. Однако кто-либо реализовал метод Потенциального поля на реальных роботах? Какая-либо ссылка или какое-либо заявление об использовании метода в реальных роботах?.
4 ответа
Я уже занимался планированием пути на основе потенциальных полей, но отказался от него в пользу более подходящих подходов к моей проблеме . Он адекватно работает в средах, где у вас есть точная локализация и точные показания датчиков, но гораздо меньше в реальных средах (это не особенно хорошее решение даже с точки зрения скорости и качества пути, даже в моделировании). Учитывая, что сейчас есть много хороших реализаций SLAM, доступных бесплатно или по низкой цене, я бы не стал беспокоиться о повторной реализации, если у вас нет особых проблем с повторным использованием.Для MRDS (в чем я работаю) есть Karto Robotics, в ROS есть реализация SLAM, и есть несколько реализаций с открытым исходным кодом, которые находятся всего в поиске в Google.
Если вам нужен хороший обзор различных подходов к планированию пути, вы можете взять копию «Введение в автономных мобильных роботов» Сегварта и др. Это довольно хорошая книга, а раздел планирования пути дает хороший обзор различных стратегий.
Быстрый поиск в Google методов потенциального поля привел к этой статье: Методы потенциального поля и присущие им ограничения для навигации мобильных роботов и напомнил мне о проблемах из прошлого раза, когда я работал с методом потенциального поля.
В наших проектах ( CWRU Mobile Robotics ) мы видели именно эти проблемы с алгоритмами, основанными на потенциальном поле. Последняя попытка мобильного робота соревноваться на IGVC в 2009 году имела те же проблемы, которые описаны в этой статье, в частности, с локальными минимумами и невозможностью проходить через близко расположенные препятствия. Я отчетливо помню, как мне приходилось обходить проблемы с близко расположенными препятствиями, пытаясь спланировать через узкое отверстие в заборе, как часть задачи навигации по путевым точкам GPS от IGVC.
Нам удалось добиться довольно приличной скорости планирования алгоритма, используя настраиваемые шейдеры OpenGL для выполнения всех вычислений, представляя потенциальное поле как изображение / буфер кадра. Как указывает Том, это не так хорошо в неизвестных или динамических средах, поскольку в таких ситуациях потенциальное поле никогда не стабилизируется и будет постоянно требовать обновления.
Я бы посоветовал прочитать книгу Алгоритмы планирования Стивена М. ЛаВалле, если вы вообще интересуетесь планированием траектории или движения. Методы, описанные в этой книге, активно используются в робототехническом сообществе.
Поиск в google scholar или на сайте IEEE, с другой стороны, даст вам множество ссылок на статьи, описывающие использование и исследование метода потенциального поля.
Как отметил @Tom выше, обычно нельзя полагаться на идеальные показания датчиков или на то, что двигатели переместят вас точно на то расстояние, на которое вы им прикажете.
Относительно новый подход к SLAM, который мне довелось использовать несколько лет назад, - это обобщенный граф Вороного (GVG); по сути, оставайтесь на равном расстоянии от ближайших двух стен, продолжайте двигаться, а в точках, где вы равноудалены от трех или более стен, возвращайтесь и пробуйте каждое ответвление от двух стен в какой-то момент. Вы построите график, который позволит вам обойти всю комнату и гарантирует, что у вас есть прямая видимость всего, что находится в комнате.