论文： Real-time Model Based Path Planning for Wheeled Vehicles
代码：code
摘要
本文提出了一种基于模型的通行性分析方法，该方法利用详细的车辆模型在复杂环境中进行实时路径规划。车辆模型表示了车辆的车轮和底盘，使其能够准确预测车辆的3D姿态、每个车轮详细的连接信息以及在代价地图上给出2D姿态时是否会发生底盘碰撞。根据车辆的安全要求对这些预测进行加权，以便为类似A *的搜索策略提供评分功能。 本文提出的方法被设计为以30Hz的帧速率处理来自RGB-D传感器的数据，以提供安全路径的反应性规划。 为了评估，两个轮式移动机器人在不同的模拟环境和真实环境设置中进行了测试，以显示所提出方法的可靠性和性能。
引用
在移动机器人领域，有效地寻找一条安全的可穿越路径仍然是一项非常具有挑战性的任务。问题的复杂性的一个原因是车辆表示：如果车辆表示高度简化，例如对一个盒子或圆，路径规划是快速的，但许多潜在的未经证实的路径被丢弃。一个常见的例子是楼梯上的分离式婴儿坡道，认识到这些坡道的可穿越性对轮式步行机至关重要。带有轮子和底盘的完全建模车辆表示可以执行更细粒度的路径规划，但通常很耗时。对于像bemotec beactive+e智能轮式步行机这样的共享控制车辆，安全路径规划是一个更为重要的课题，因为不安全的路径不仅会对车辆造成损害，还会对用户造成损害。此外，这个应用场景还带来了额外的挑战：由于用户的运动方向可能会迅速改变，因此车辆必须非常快速地执行可穿越性分析，以提供响应性用户体验。另一个限制是感知能力：传感器应该尽可能轻巧和便宜。目前的rgbd和立体深度传感器很好地满足了这两个标准。它们提供至少30Hz的像样帧速率，比二维和三维激光雷达轻且便宜，但比激光雷达具有更低的感知范围（RGB-D相机）或更低的深度精度（立体系统）。由于这些要求和限制，所提出的规划方法被设计为提供本地路径，但具有高精度和低延迟。在给定足够详细的高程图的情况下，也可以在更大的比例尺上使用可穿越性分析。虽然该方法是针对共享控制车辆而提出的，但本研究的重点是其在自主移动机器人上的应用。
主要贡献：
（1）利用详细的车辆模型实时地对高程图进行精确的姿态估计和可穿越性分析的系统。
（2）在仰角地图上检测底盘碰撞的快速方法。
（3）两种不同机器人平台对该方法的实验评价。
图1 Robotnik Summit XL和electric wheeled walker Bemotec
beActive+e
PLATFORMS
为了进行评估，使用了两个机器人平台：bemotec beactive+e轮式步行机和robotnik summit xl，见图1。两者都配备了用于室内实验的Orbec Astra RGB-D相机或用于室外实验的Intel RealSense D435、一个Sick的Tim 571激光雷达和一个Razor IMU M0惯性测量单元。电动轮式步行机beactive+e通过设计一个共享控制车辆，已经进行了修改，以支持自主操作。其运动学可以描述为差动驱动模型。除了上述传感器外，它还使用霍尔效应传感器为两个电动后轮提供车轮里程表。车载电脑是一台Intel i5-6260U CPU，运行速度为1.8GHz，内存为16GB DDR4。防滑操纵的Summit XL还为每个车轮提供基于霍尔效应传感器的车轮里程表。车载电脑是Intel i7-6700HQ CPU，运行在2.6GHz，16GB DDR4 RAM。对于这两种车辆，Orbec Astra用于室内实验，Intel RealSense D435用于室外实验。每个平台上的两个传感器都朝下，俯仰角为≈20°以便看到车辆前方的地面。IMU是用来为实验创建地面真实数据的，激光雷达根本没有使用。
实验方法
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，我们提出了一种在仰角地图上估计车辆方位的方法，给出了车辆设置和姿态计算的更详细描述，并评估了方位估计的精度。在当前的工作中，我们利用先前工作的方向估计，以及改进的车轮模型、底盘碰撞检测和局部映射方法，创建一个使用基于模型的安全准则进行实时路径规划的系统。该方法由三个模块组成：局部映射模块、姿态评估模块和规划模块。局部映射模块将rgb-d相机采集的深度数据集成到局部高程图中。姿态评估模块使用局部地图和车辆模型来估计给定二维姿态的多个可穿越性参数。规划模块采用类似于A*的搜索策略来寻找安全的局部轨迹。规划模块的输出可以作为控制命令直接发送到机器人控制器，也可以发布速度信息，并将结果路径发送到我们的导航、路径规划和路径跟踪框架GeRoNa[12][9]中包含的路径跟踪控制器之一。增加了第二个选项的使用以支持计算能力较低的平台，因为路径规划过程可以以较低的帧速率执行，但代价是不使用最新的映射表示。该方法是为无功驱动而设计的，因此主要适用于局部路径规划。如果有可用的占用网格图，Gerona框架的全局路径规划方法之一可以用来寻找一个更粗的全局路径，该全局路径可以用所提出的方法进行局部优化。为了有效地进行可穿越性分析，使用了基于图像的环境和车辆表示。这样可以将车轮接触点计算和底盘碰撞检测减少到高效的图像处理操作。
图2 局部高程图像（LEI）的示例。 红色正方形是中心区域，边长为总地图大小的1/4。 如果车辆离开该区域，则LEI被重新定位以将车辆保持在其内部
图3车辆模型的示意图
图4 左和中：Summit XL和beActive + e的车轮。 右：在高程图上可视化车轮接触
图5 Gazebo的路径规划可视化和相应的视图。 圆点代表中间姿势，圆圈是轨迹末端状态，棕色线代表目标的方向。 红色表示高重力角，蓝色表示高角度，黄色表示底盘碰撞，青色表示低轮支撑和绿色表示有效姿势。选定的路径标有紫色圆圈
图6 模拟环境。 绿点标记起始位置，青点标记航点，红点标记目标。 驱动路径以橙色显示，蓝色线仅用于显示航点的顺序。 左上角：高度贴图景观类似于自然环境（LAN）。 右上：随机生成的地形（RAN）。左下：Darpa Virtual Robotics Challenge地形包含在Gazebo模型数据库（VRC）中。 右下角显示了一个环境，其中的对象代表不同的真实世界情况（STA）：人行道，桥梁和楼梯
图7 仿真结果。 从上到下：LAN，RAN，VRC，STA。 tαg= 0.4rad≈22：9°是允许的最大重力角，在较高的角度，车轮滑移的发生率大大增加。 tαΔ= 0.15rad≈8：6°是允许的最大角度，与向下行驶0.12m高度相当
图8 用于现实世界实验的环境。 左：有两个坡道的楼梯，车辆应该向上行驶。 右图：森林景观，地形崎岖，山坡小。 由于楼梯的倾斜度约为25°，因此需要tαg= 0.5。 否则他们不被认为是可以穿越的。 在树林地面上，角度> 0.4rad时车轮存在滑动的问题。 对于这两种环境，使用tαΔ=0.08rad≈4.5°，这与向下行驶0.07m高度相当。 tαt=0.15rad≈8.6°，tws = 0.5。
图9 现实世界的实验结果。 上：楼梯。 下图：森林
图10 两个用于评估测试的环境。 左图：在地平面上方有障碍物的杂乱环境。 右图：用于测试负面障碍的桥接环境
总结
本文提出了一种适用于实时操作和近程传感器的有效的可穿越性分析方法。通过建立详细的车辆模型，可以进行高精度的姿态估计和碰撞检测。这允许使用特定于车辆的安全标准进行可穿越性分析，并用于执行本地路径规划以避免障碍物。在不同的模拟环境和真实环境下，在两个移动平台上验证了该方法的性能。安全相关角度从未超过阈值1:02%，为许多机器人应用提供了足够的安全级别。提出的方法是开源gerona框架的一部分，该框架基于ros，可在以下网址获得：https://github.com/cogsys-tuebingen/gerona