論文： Real-time Model Based Path Planning for Wheeled Vehicles
代碼：code
摘要
本文提出了一種基於模型的通行性分析方法，該方法利用詳細的車輛模型在複雜環境中進行實時路徑規劃。車輛模型表示了車輛的車輪和底盤，使其能夠準確預測車輛的3D姿態、每個車輪詳細的連接信息以及在代價地圖上給出2D姿態時是否會發生底盤碰撞。根據車輛的安全要求對這些預測進行加權，以便爲類似A *的搜索策略提供評分功能。 本文提出的方法被設計爲以30Hz的幀速率處理來自RGB-D傳感器的數據，以提供安全路徑的反應性規劃。 爲了評估，兩個輪式移動機器人在不同的模擬環境和真實環境設置中進行了測試，以顯示所提出方法的可靠性和性能。
引用
在移動機器人領域，有效地尋找一條安全的可穿越路徑仍然是一項非常具有挑戰性的任務。問題的複雜性的一個原因是車輛表示：如果車輛表示高度簡化，例如對一個盒子或圓，路徑規劃是快速的，但許多潛在的未經證實的路徑被丟棄。一個常見的例子是樓梯上的分離式嬰兒坡道，認識到這些坡道的可穿越性對輪式步行機至關重要。帶有輪子和底盤的完全建模車輛表示可以執行更細粒度的路徑規劃，但通常很耗時。對於像bemotec beactive+e智能輪式步行機這樣的共享控制車輛，安全路徑規劃是一個更爲重要的課題，因爲不安全的路徑不僅會對車輛造成損害，還會對用戶造成損害。此外，這個應用場景還帶來了額外的挑戰：由於用戶的運動方向可能會迅速改變，因此車輛必須非常快速地執行可穿越性分析，以提供響應性用戶體驗。另一個限制是感知能力：傳感器應該儘可能輕巧和便宜。目前的rgbd和立體深度傳感器很好地滿足了這兩個標準。它們提供至少30Hz的像樣幀速率，比二維和三維激光雷達輕且便宜，但比激光雷達具有更低的感知範圍（RGB-D相機）或更低的深度精度（立體系統）。由於這些要求和限制，所提出的規劃方法被設計爲提供本地路徑，但具有高精度和低延遲。在給定足夠詳細的高程圖的情況下，也可以在更大的比例尺上使用可穿越性分析。雖然該方法是針對共享控制車輛而提出的，但本研究的重點是其在自主移動機器人上的應用。
主要貢獻：
（1）利用詳細的車輛模型實時地對高程圖進行精確的姿態估計和可穿越性分析的系統。
（2）在仰角地圖上檢測底盤碰撞的快速方法。
（3）兩種不同機器人平臺對該方法的實驗評價。
圖1 Robotnik Summit XL和electric wheeled walker Bemotec
beActive+e
PLATFORMS
爲了進行評估，使用了兩個機器人平臺：bemotec beactive+e輪式步行機和robotnik summit xl，見圖1。兩者都配備了用於室內實驗的Orbec Astra RGB-D相機或用於室外實驗的Intel RealSense D435、一個Sick的Tim 571激光雷達和一個Razor IMU M0慣性測量單元。電動輪式步行機beactive+e通過設計一個共享控制車輛，已經進行了修改，以支持自主操作。其運動學可以描述爲差動驅動模型。除了上述傳感器外，它還使用霍爾效應傳感器爲兩個電動後輪提供車輪里程錶。車載電腦是一臺Intel i5-6260U CPU，運行速度爲1.8GHz，內存爲16GB DDR4。防滑操縱的Summit XL還爲每個車輪提供基於霍爾效應傳感器的車輪里程錶。車載電腦是Intel i7-6700HQ CPU，運行在2.6GHz，16GB DDR4 RAM。對於這兩種車輛，Orbec Astra用於室內實驗，Intel RealSense D435用於室外實驗。每個平臺上的兩個傳感器都朝下，俯仰角爲≈20°以便看到車輛前方的地面。IMU是用來爲實驗創建地面真實數據的，激光雷達根本沒有使用。
實驗方法
在前面的工作（J. Jordan and A. Zell, “Real-time pose estimation on elevation maps
for wheeled vehicles,” in IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Sept 2017, pp. 1337–1342.）中，我們提出了一種在仰角地圖上估計車輛方位的方法，給出了車輛設置和姿態計算的更詳細描述，並評估了方位估計的精度。在當前的工作中，我們利用先前工作的方向估計，以及改進的車輪模型、底盤碰撞檢測和局部映射方法，創建一個使用基於模型的安全準則進行實時路徑規劃的系統。該方法由三個模塊組成：局部映射模塊、姿態評估模塊和規劃模塊。局部映射模塊將rgb-d相機採集的深度數據集成到局部高程圖中。姿態評估模塊使用局部地圖和車輛模型來估計給定二維姿態的多個可穿越性參數。規劃模塊採用類似於A*的搜索策略來尋找安全的局部軌跡。規劃模塊的輸出可以作爲控制命令直接發送到機器人控制器，也可以發佈速度信息，並將結果路徑發送到我們的導航、路徑規劃和路徑跟蹤框架GeRoNa[12][9]中包含的路徑跟蹤控制器之一。增加了第二個選項的使用以支持計算能力較低的平臺，因爲路徑規劃過程可以以較低的幀速率執行，但代價是不使用最新的映射表示。該方法是爲無功驅動而設計的，因此主要適用於局部路徑規劃。如果有可用的佔用網格圖，Gerona框架的全局路徑規劃方法之一可以用來尋找一個更粗的全局路徑，該全局路徑可以用所提出的方法進行局部優化。爲了有效地進行可穿越性分析，使用了基於圖像的環境和車輛表示。這樣可以將車輪接觸點計算和底盤碰撞檢測減少到高效的圖像處理操作。
圖2 局部高程圖像（LEI）的示例。 紅色正方形是中心區域，邊長爲總地圖大小的1/4。 如果車輛離開該區域，則LEI被重新定位以將車輛保持在其內部
圖3車輛模型的示意圖
圖4 左和中：Summit XL和beActive + e的車輪。 右：在高程圖上可視化車輪接觸
圖5 Gazebo的路徑規劃可視化和相應的視圖。 圓點代表中間姿勢，圓圈是軌跡末端狀態，棕色線代表目標的方向。 紅色表示高重力角，藍色表示高角度，黃色表示底盤碰撞，青色表示低輪支撐和綠色表示有效姿勢。選定的路徑標有紫色圓圈
圖6 模擬環境。 綠點標記起始位置，青點標記航點，紅點標記目標。 驅動路徑以橙色顯示，藍色線僅用於顯示航點的順序。 左上角：高度貼圖景觀類似於自然環境（LAN）。 右上：隨機生成的地形（RAN）。左下：Darpa Virtual Robotics Challenge地形包含在Gazebo模型數據庫（VRC）中。 右下角顯示了一個環境，其中的對象代表不同的真實世界情況（STA）：人行道，橋樑和樓梯
圖7 仿真結果。 從上到下：LAN，RAN，VRC，STA。 tαg= 0.4rad≈22：9°是允許的最大重力角，在較高的角度，車輪滑移的發生率大大增加。 tαΔ= 0.15rad≈8：6°是允許的最大角度，與向下行駛0.12m高度相當
圖8 用於現實世界實驗的環境。 左：有兩個坡道的樓梯，車輛應該向上行駛。 右圖：森林景觀，地形崎嶇，山坡小。 由於樓梯的傾斜度約爲25°，因此需要tαg= 0.5。 否則他們不被認爲是可以穿越的。 在樹林地面上，角度> 0.4rad時車輪存在滑動的問題。 對於這兩種環境，使用tαΔ=0.08rad≈4.5°，這與向下行駛0.07m高度相當。 tαt=0.15rad≈8.6°，tws = 0.5。
圖9 現實世界的實驗結果。 上：樓梯。 下圖：森林
圖10 兩個用於評估測試的環境。 左圖：在地平面上方有障礙物的雜亂環境。 右圖：用於測試負面障礙的橋接環境
總結
本文提出了一種適用於實時操作和近程傳感器的有效的可穿越性分析方法。通過建立詳細的車輛模型，可以進行高精度的姿態估計和碰撞檢測。這允許使用特定於車輛的安全標準進行可穿越性分析，並用於執行本地路徑規劃以避免障礙物。在不同的模擬環境和真實環境下，在兩個移動平臺上驗證了該方法的性能。安全相關角度從未超過閾值1:02%，爲許多機器人應用提供了足夠的安全級別。提出的方法是開源gerona框架的一部分，該框架基於ros，可在以下網址獲得：https://github.com/cogsys-tuebingen/gerona