Метод потенциального поля: настоящие роботы

Question

Метод потенциального поля - очень популярная симуляция для навигации робота. Однако кто-нибудь реализовал метод Потенциального поля на реальных роботах? Любая ссылка или любое заявление об использовании метода в реальных роботах?.

Answer 1

Я бы предложил прочитать книгу Алгоритмы планирования Стивена М. ЛаВалля, если вы, как правило, заинтересованы в планировании траектории или движения. Методы, описанные в этой книге, активно используются в сообществе робототехники.

С другой стороны, поиск в Google golopar или на сайте IEEE даст вам множество ссылок на статьи, описывающие использование и исследование метода потенциального поля.

Answer 2

Ранее я занимался планированием пути на основе поля, но отказался от него в пользу более подходящих подходов к моей проблеме. Он работает адекватно для сред, где у вас точная локализация и точные показания датчиков, но гораздо реже в реальных условиях (это не особенно удачное решение даже с точки зрения скорости и качества трассы, даже при моделировании). Учитывая, что в настоящее время существует множество хороших реализаций SLAM, доступных либо бесплатно, либо по низкой цене, я не стал бы беспокоиться о повторной реализации, если у вас нет особых проблем с повторным использованием. Для MRDS (над чем я работаю) есть Karto Robotics, ROS имеет реализацию SLAM, и есть несколько реализаций с открытым исходным кодом только в поиске Google.

Если вы хотите получить хороший обзор различных подходов к планированию пути, то вам может понадобиться копия «введения в автономные мобильные роботы» Segwart et al. Это довольно хорошая книга, и в разделе «Планирование пути» дается хороший обзор различных стратегий.

Answer 3

Быстрый Google для потенциальных методов поля поднял этот документ: Методы потенциального поля и их неотъемлемые ограничения для навигации мобильного робота и напомнил мне о проблемах с прошлого раза, когда я работал с методом потенциального поля.

В наших проектах ( CWRU Mobile Robotics ) мы видели именно эти проблемы с потенциальными полевыми алгоритмами. Последняя попытка, мобильного робота, чтобы конкурировать на IGVC в 2009 году, имела те же проблемы, описанные в этом документе, особенно с локальными минимумами и неспособностью преодолевать близко расположенные препятствия. Я отчетливо помню, как мне приходилось обходить проблемы с близко расположенными препятствиями, пытаясь планировать через узкое отверстие в заборе, как часть задачи IGVC по навигации по путевой точке GPS.

Мы смогли получить довольно приличную скорость планирования из алгоритма, используя собственные шейдеры OpenGL для выполнения всех вычислений, представляя потенциальное поле в виде буфера изображения / кадра. Как указывает Том, это не так хорошо в неизвестных или динамических средах, так как в этих ситуациях потенциальное поле никогда не стабилизируется и будет постоянно нуждаться в обновлении.

Answer 4

Мы попытались отказаться от алгоритма потенциального поля (OpenSteer) для нашего автомобиля DARPA Grand Challenge (Team Overbot) в 2003 году. Это не очень хорошая идея для неголономного робота, поскольку он не учитывает ограничения на управление и динамику. Это не работает вообще хорошо в стесненных условиях. Он лучше подходит для летательных аппаратов, где у вас много свободного пространства и вы не хотите приближаться к препятствиям.

Answer 5

Как указывал @Tom выше, обычно нельзя полагаться на идеальные показания датчиков или двигатели, движущие вас точно так, как вы думали, что сказали им.

Относительно новым подходом к SLAM, который я имел возможность использовать много лет назад, был Обобщенный граф Вороного ( GVG ); в основном, оставайтесь на одинаковом расстоянии от ближайших двух стен, продолжайте движение, и в точках, где вы равноудалены от трех или более стен, возвращайтесь и пробуйте каждую ветвь с двумя стенами в некоторой точке. Вы построите график, который проведет вас по всей комнате и гарантирует, что вы будете видеть все вокруг в комнате.