基于采样的规划算法之动态窗口法（DWA）

动态规划将一个多步决策问题拆分成若干子问题，并且保证子问题的最优解能推出完整问题的最优解。所以，动态规划可以得到采样空间下的最优路径解。本章介绍的动态窗口法（Dynamic Window Approach， DWA）与动态规划类似，也是将从起点到终点的多步决策问题拆分成一系列子问题——从采样的候选解中求得代价最低的作为当前最优解。不同的是，DWA是求解一步运行一步直至终点，每一步最优并不能保证全局最优，DWA可能会陷入局部极小值。

一、DWA的原理——在动作空间采样

我在ROS¹（机器人操作系统，Robot Operating System）中初次认识DWA² ³，它是ROS中一个典型的局部规划器。

1.1 离散优化方法框架

DWA在每个决策周期内对动作空间（主要包括线速度与角速度构成的二维动作空间）进行采样得到当前状态下的候选轨迹簇，最后根据设定的成本函数评价出最优的轨迹，基本步骤如下图所示。

上图也被我(=v=)称为离散优化框架。与连续优化方法不同，离散优化方法通过采样获得候选解

基于采样的规划算法之动态窗口法（DWA）相关推荐

基于采样的规划算法之RRT家族（六）：总结
从RRT到时空RRT,我们介绍了总共5种RRT家族算法.RRT-Connect.RRT* .Informed RRT* 都是为了让原始RRT算法花更小的时间找到更短的路径.最后一个时空RRT算法则是为 ...
基于采样的规划算法之概率路图（PRM）法
概率路图(Probabilistic Road Map, PRM)法严格意义上只是一种构建规划问题图(graph)的方法,在目的上与前面介绍的可视图.Voronoi图一样.在构建完规划问题图(grap ...
【路径规划】局部路径规划算法——DWA算法（动态窗口法）|（含python实现 | c++实现）
文章目录参考资料 1. DWA算法原理 1.1 简介 1.2 算法原理 1. 速度采样 2. 轨迹预测(轨迹推算) 3. 轨迹评价 2. Python实现 2.1 参数配置 2.2 机器人运动学模型 ...
基于采样的规划算法之RRT家族（二）：RRT-Connect
RRT家族和 A* 家族的共性是:都是生成一棵不断靠近目标的路径树.只是生成的方式不同,RRT家族通过随机采样结点来拓展路径树, A* 家族则基于贪心策略在规划问题图(graph)上搜索叶点来拓展路径 ...
基于采样的规划算法之RRT家族（三）：RRT*
RRT算法是边随机产生节点边生长一棵路径树,当这棵树与目标点相遇,便从相遇点回溯到起点得到路径解.对于新产生的随机节点,原始RRT算法将路径树上距离它最近的节点作为它的父节点,并不能保证新节点通过该父 ...
基于采样的规划算法之RRT家族（四）：Informed RRT*
文章目录一.Informed子集的概念 1.1 Informed的含义 1.2 第一种Informed子集: X f \mathbf{X}_f X
基于图搜索的规划算法之Voronoi图法
文章目录一.维诺图的定义二.基于Fortune的平面扫描法 2.1 原理 2.2 算法 2.3 伪代码 2.4 C++版程序三.将感知结果转换为维诺图 3.1 感知结果的一般表示(复习) 3.2 ...
机器人局部避障的动态窗口法DWA (dynamic window approach)-matlab代码修改及动态障碍物避障效果
具体效果视频:[DWA动态障碍物-哔哩哔哩] https://b23.tv/pQp6ne 一.源码及问题最初的源码链接https://blog.csdn.net/heyijia0327/articl ...
局部路径规划算法-DWA动态窗口法
引言本文主要是转载学习的内容,为了记录传统算法的学习,方便复习,对比看看传统算法和新的算法有哪些相似的地方. DWA算法,在仿真上效果好些,在扫地机器人等室内机器人方面可能效果好,但是在自动驾驶还是 ...

基于采样的规划算法之动态窗口法（DWA）

一、DWA的原理——在动作空间采样

1.1 离散优化方法框架

基于采样的规划算法之动态窗口法（DWA）相关推荐

最新文章

热门文章