自主导航是什么?我们知道,在过去的这个博客系列的文章。在这一个,布莱恩将讨论不同类型的自主权和方法我们可以实现完全的自主权。如果你想去一层更深的理解基本的自主导航,这篇文章是给你的。

---

嗨,我是布莱恩•道格拉斯欢迎来到自主导航的博客。如果你还没有阅读这个系列的第一个博客,请看看在这里。

自治会有不同层次。在行车汽车自动驾驶系统,或简单地说自动驾驶汽车,有6个级别的驾驶自动化所定义的SAE国际。然而,对于这个博客,让我们描述自治更一般的水平作为光谱而不是离散的自动驾驶汽车的水平。我们可以认为自治从自治援助在光谱的低端到高端全自动车辆。

为自治援助,车辆大多是由人类,甚至从一个远程位置,但是有不安全条件和算法上,将监测自动覆盖操作符将车辆在一个安全的状态。这样,人类操作员做大部分的导航,但是有一些自主行为,在某些情况下。

在自治光谱的另一端,我们有一个全自动的车辆。这是一辆车,可以浏览一个环境,没有人工干预。它可以感知环境,达到一些目标通过自己的决策过程。

然而,即使是全自动车辆并不是平等的。我们可以在两种不同的方式方法拥有充分的自主权;一个启发式方法和一个最优方法。

使用启发式方法,自主完成给车辆一组实用的规则或行为,它遵循。自治的启发式方法的一个例子是一个迷宫求解机器人,得到两个规则:驱动前进和保持墙了。

为了实现这一点,机器人可以有两个传感器,测量距离:一个朝前,一个面临到左边。使用这些传感器和一些逻辑车辆可以遵循一个墙在一个固定的距离,左转当墙,一堵墙,一个路口掉头,在一个路口右转。通过这种方式,拦截器会继续漫步在走廊,直到达到目标。

启发式方法可以浏览一个迷宫,无需人工控制(完全自治),然而,启发式方法并不能保证最优的结果。车辆的路径不是最短的或最distance-optimal。其他问题的启发式方法是给定的规则并不足以满足所有条件在一个环境。例如,很容易建立一个情况我们解决迷宫机器人卡住在一个循环中,从来没有达到我们的目标。

这些都是一些启发式方法的缺点,然而,一个好处是你不需要完整的信息环境实现完全自治。车辆没有创建或维护一个迷宫的地图(甚至知道它是在一个迷宫!)达到我们的目标。

其他类型的heuristic-based自治包括最简单的机器人真空吸尘器。当遇到障碍物的真空像一堵墙,一个规则告诉它旋转到一个新的随机角,然后保持连续驾驶。

随着时间的增加,整个地板的几率接近100%。因此,在最后,有一个干净的地板上的目标是满足,即使车辆不需要最优路径来实现。

让我们对比启发式方法与最优的自主导航方法。

首先,优化并不一定意味着最好的。它意味着我们创造一些客观,我们想要完成,然后通过算法试图找到一个解决方案,最大化或最小化这一目标的价值。例如,我们可能希望车辆沿着最短路径的目标。在这种情况下,我们会建立一个惩罚距离的函数。通过选择优化技术,我们将搜索或样品的整个可能的路径集车辆可能需要和选择路径,生产成本最低,或在我们的例子中,最低的距离。

课程目标:最小化距离目标的转动约束

这种类型的问题通常需要更多的知识环境和车辆的限制和约束,因为你需要知道这些信息来探索和约束空间的问题。例如,车辆不能找到最短的距离我们的目标,如果没有很好地理解整个环境。车辆也不能产生一个路径,它可以遵循如果不了解它的转弯半径或它可以加快速度。因此,求解最优解要求汽车有更多的信息。

在许多情况下,optimal-based策略比heuristic-based同行产生更好的结果,因此,它证明必须设置它的负担。可能是目前最常见的例子是自动驾驶汽车已经通过动态导航到目的地和混乱的街道。依靠简单的行为,例如推动和保持抑制左边可能不是最好的方法迅速安全到达目的地。更有意义使车辆能够感觉和模型的动态环境中,即使这模型是不完美的,然后使用它来确定一个最优导航解决方案。

现在我们有一个想法的不同类型的自主权,在我们下一篇文章我们将继续介绍自主导航系统通过查看自治系统的功能,讨论如何有时最好的解决方案是两者的结合启发式和最佳方法。

---

了解更多关于自治和自治系统的不同类型,看看这个视频”如何建立一个自治的什么吗”。请继续关注下一篇文章从布莱恩!