航迹规划算法的总结

航迹规划算法的总结"/>

航迹规划算法的总结

确定性方法
  传统的确定性方法包括，智能搜索算法（A*，D*算法等）、最速下降法、可视图方法、人工势场法、单元分解法、最优控制方法、模拟退火算法、遗传算法等。但是智能搜索方法在高维空间内易出现组合爆炸和局部最优问题；最速下降法需要大量迭代计算且无最优性保证；可视图方法计算复杂且对环境噪声敏感、难以解决高维问题；人工势场法在相近的障碍物面前难以发现路径，在狭窄通道内存在摆动现象，且具有局部最优问题；最优控制方法的模型参数调整复杂、容易发散且要求地形二阶偏导数连续；单元分解法、模拟退火算法和遗传算法的计算复杂度较高。

随机性方法
  随机化航迹搜索方法现有的在线航迹搜索方法大多基于效率较高的随机化算法，该方法在随机采样点的引导下，随机地选择航迹点。
概率路标图算法（Probabilistic RoadMap, PRM）,PRM 算法在路标图构造过程中存在多个两点边值问题(two-point Boundary Value Problem，BVP)，BVP 问题是指在两点间构造满足约束条件的路径边。PRM 算法在解决静态环境下的航迹搜索问题时效率较高，但由于重规划路标图过程中存在多个 BVP 问题，因此 PRM 算法难以重规划航迹，难以应用于动态或未知环境下。

针对 PRM 算法中存在的问题，为了解决高维空间微分约束下的快速航迹搜索问题，La Valle 提出了快速扩展随机树算法(Rapidly-exploring Random Tree，RRT)，它直接在空间中搜索单条航迹，避免了复杂的空间预处理过程。

小型无人机在线航迹规划框架
  1.模型预测控制(Model Predictive Control，MPC)是典型的边规划、边执行的在线规划框架，它是一种滚动时间窗方法。在局部规划过程中，算法首先更新当前航迹搜索域内的环境信息并在此基础上预测该航迹搜索域内的信息变化趋势，然后根据无人机的运动模型搜索出局部参考航迹，并在航迹的执行过程中根据无人机的运动约束和控制误差等修正航迹，以充分利用实时反馈信息逐步生成全局航迹。

2.反应控制也是一种在线规划框架，它采用快速迂回策略来躲避动态障碍物，由于它仅使用有限的局部环境信息来构建局部航迹，并且反应控制过程中没有复杂的状态耦合和转移过程，故它的计算复杂度较低。

密集障碍物躲避技术
  障碍物密集环境(obstacle dense environment)是指障碍物形状多样，障碍物间隔较小，存在多条狭窄通道(narrow passages)的环境。狭窄通道是指无人机飞行时的碰撞概率较高的狭窄区域，在此区域必须考虑无人机的飞行误差。
1.RRT
2.Kd Tree（Kd树）

威胁区建模技术
1.静态威胁区建模技术

2.动态威胁区建模技术

运动控制误差处理技术
1.通过扩大航迹与障碍物间隔的低碰撞航迹生成方法，如障碍物膨胀法。障碍物膨胀法是指，向外扩充障碍物边界，以保证结果航迹与真实障碍物间存在一定间隔。

2.误差走廊法建立具有一定宽度的航迹，该宽度由无人机的运动误差确定。

3.Voronoi 图方法首先对空间障碍物进行建模，并为所有障碍物顶点划分Voronoi 图或近邻采样域，然后，算法在各 Voronoi 区域的顶点处寻找航迹点，该方法搜索到的航迹距离障碍物最远。