根据先验地图进行全局路径规划遇到的问题

qq_47559651 2024-05-30 16:25:04

大家好，想问下FAR Planner在已知环境中，路径是根据先前的地图规划的么？它可以根据实时输入的环境信息以及出现的动态障碍物对于已知地图进行更新，并实时更新导航路径？在代码部分哪里有接口可以导入全局已知地图呢？找了好些天并没有找到相关的接口，麻烦您可以讲解一下么？？我这些天尝试了一下，想把全局先验地图的点云加入进来，昨天尝试加入到far_planner里面拓展地形分析回调函数中将先验地图点云和地形分析之后得到的点云/terrain_map_ext融合，发现并为达到效果，今天思考觉得位置添加的有问题，地形分析之后得到的点云/terrain_map_ext肯定是和原始点云不一样的，直接这么添加会有问题，后来就在想能不能在地形分析terrain_analysis_ext.cpp里面融入全局先验地图的点云，但是今天重新看了terrain_analysis_ext.cpp的代码发现这一部分处理的点云数据是需要经过剪裁的，一定范围体素内的数据，所以先验地图即使在这里加入也会被裁剪而不能进行全局的规划，觉得我思考的有哪里有误么？

...全文

452 4 打赏收藏转发到动态举报

写回复

4 条回复

切换为时间正序

请发表友善的回复…

发表回复

一只虫下 2024-06-20

打赏
举报

回复

同没找到地图导入接口！！

下大雪才浪漫 2024-07-10

举报

回复

@一只虫下哥能交流下不我也在搞这个

weixin_44939740 2024-08-12

举报

回复

@一只虫下哥能交流下不我也在搞这个

m0_55670117 2024-08-15

举报

回复

@一只虫下哥能交流下不？

#资源达人分享计划#

此资源是ROS-melodic的navigation包

【资源简介】基于蚁群算法实现寻找最优路径matlab源码+项目说明+超详细注释.zip 与Dijkstra算法使用相同的地图。每只蚂蚁都从起点出发，直到抵达终点。这与Example5_1.m 中解决旅行商问题不一样，旅行商问题中每一代的蚂蚁都是随机从一个节点出发。文件说明 Example5_1.m 简单对参考资料2中的代码进行重现； ACA.m 对参考资料1中的代码进行重现，并适当优化代码且修改错误，错误如下： ![错误1](./imgs/1.jpg) 计算P(2,k)有问题，neighbor已经删除了不可访问节点，所以neighbor中节点的索引号和nodes_data{node_step, 4}索引号不是一一对应关系，应该先找到对应的索引号。修正： ![修正1](./imgs/2.jpg) 实验 **信息素启发式因子α** 代表信息量对是否选择当前路径的影响程度，即反映蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度。 α 的大小反映了蚁群在路径搜索中随机性因素作用的强度，其值越大，蚂蚁在选择以前走过的路径的可能性就越大，搜索的随机性就会减弱；而当启发式因子α的值过小时，则易使蚁群的搜索过早陷于局部最优。根据经验，信息素启发式因子α取值范围一般为[l， 4]时，蚁群算法的综合求解性能较好。 **期望启发因子β** 表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性，它的大小反映了蚁群在搜索最优路径的过程中的先验性和确定性因素的作用强度。期望启发因子β的值越大，蚂蚁在某个局部点上选择局部最短路径的可能性就越大，虽然这个时候算法的收敛速度得以加快，但蚁群搜索最优路径的随机性减弱，而此时搜索易于陷入局部最优解。根据经验，期望启发因子β取值范围一般为[3， 5]，此时蚁群算法的综合求解性能较好。参考:《智能优化算法及其MATLAB实例（第2版）》by包子阳 P101 例5.1 对结果的显示进行一定修改，以查看每一次迭代的最佳结果： ![代码修改](./imgs/0.jpg) ![地图](./imgs/6.jpg) Dijkstra算法示例中求出的最优路径为：4-5-6-1 修改$\beta$值重复四次实验 1. $\beta=0$ 实践中$\beta$不应等于0，但为了说明距离这样的先验信息起的作用，取$\beta=0$，实验结果： ![实验](./imgs/3.jpg) 2. $\beta=3$ ![实验](./imgs/4.jpg) 3. $\beta=5$ ![实验](./imgs/5.jpg) 对比三个实验中纵坐标最小值可以看出，$\beta$越大，算法越易陷入局部最优。 1. 实验一最优值全为22，是全局最优，最优路径 4-5-6-1。 2. 实验二2个22，2个25； 3. 实验三全为25，均为局部最优，局部最优路径 4-5-6-2-1。讨论： - 位于节点6时，接下来应该选择节点1还是节点2受到信息素和启发因子的影响，当$\beta$较大时，更看重启发信息，即更加偏向与选择距离短的节点(节点6->节点1距离为16，节点6->节点2距离为7)，因此才会出现实验三的结果。当$\beta=0$时，启发信息不起作用，选择全取决于信息素，这种情况更贴近自然中的蚁群寻路。 - 群智能算法都有陷入局部最优的问题【说明】 1、项目源码在上传前，都经过本地成功运行，功能测试无误。请放心下载使用！有问题请及时沟通交流。 2、适用人群：计算机科学、信息安全、数据科学与大数据技术、人工智能、通信、物联网、自动化、机械电子信息等相关专业背景的在校大学生、专业老师行业从业人员等下载使用。 3、用途：项目代表性强，具有创新性和启发性，故具有挺高的学习借鉴价值。不仅适合小白入门进阶，还可作为毕设项目、课程设计、大作业、比赛初期项目立项演示等。 4、如果基础还不错，又热爱学习钻研，也可基于此项目基础上进行修改进行二次开发。本人也是技术狂热者，如果觉得此项目对您有价值，欢迎下载使用！无论您是运行还是二次开发，遇到问题或困惑，欢迎私信交流学习。

#资源达人分享计划#

人工智能在车辆自动驾驶中的应用 (1).pdf

TARE机器人自主导航系统

1,063

社区成员

434

社区内容

发帖

与我相关

我的任务

自动驾驶人工智能企业社区

社区管理员

加入社区

近7日
近30日
至今

加载中

查看更多榜单

社区公告

暂无公告

试试用AI创作助手写篇文章吧

+ 用AI写文章