自主导航与布莱恩·道格拉斯:第3部分

这篇文章来自布莱恩•道格拉斯,YouTube内容创造者控制系统和独立的应用程序。

在最后发表,我们学会了自主导航的启发式和最佳方法。乍一看,一个最优的自主导航方法似乎是一个相当简单的问题——观察环境来确定车辆的位置,找出需要,然后确定最好的方法。不幸的是,完成这可能不是像那句话听起来那么容易。

我认为一件事可以自主导航解决的一个难题是当车辆必须浏览一个并不完美的环境。在这些情况下,车辆不能确定它在哪里,目的地在哪里,或者是障碍和约束。因此,提出一个可行的计划,按照这个计划变得具有挑战性。

一般来说,更可预见的和可以理解的一个环境,就越容易实现全自主导航。

例如,建立一个自治的航天器轨道地球通常是一个简单的导航问题比一个自治飞机——至少在环境方面的复杂性。空间比空气更可预测的环境,因为我们有更少的不确定性与行动的力量,和我们有了更多的确定性在附近的其他对象的行为。当车辆提出了一个计划,说执行定位策略,我们有信心的航天器自主能够按照计划从环境中没有遇到未知的力量或障碍。因此,我们不需要建立一个车辆占很多未知的情况;绕着地球是一个相对可预测的环境。

飞机,另一方面,我们必须浏览更多的不确定性。有未知的狂风,成群的鸟飞来飞去,其他人类控制飞机,和拥有土地和出租车在机场,仅举几例。

即使所有这些,一个自治飞机通常是一个简单的问题比一个自治的汽车。出于同样的原因。有更多的不确定性开车在一个混乱的城市比相对开放的空气中飞舞。

建立一个车辆,可以机动自主绝对是一个了不起的成就,我不想小事化无太多,然而,我想强调的是,是什么让自驾车辆令人印象深刻的不是他们自己可以移动,但他们可以在一个不确定的自主导航和不断变化的环境。让汽车前进本身只需要一个压缩油门的致动器。困难来自知道当压缩踏板。车,而是做出调整,得到了汽车有效的目的地,而当地的交通法规,避免凹坑和其他障碍,在建设重路由,避免其他车辆由不可预知的人类。要做到所有这一切的雪和雨等等。不是一件容易的事!

---

4一个自治系统的功能

了解我们如何克服这些挑战,让我们分手了更大的自主导航问题为一组四个一般的能力。

自治系统需要与一个不确定的物理世界。开发一些确定性,传感器是用于收集信息的系统状态和外部世界的状态。传感器是应用程序的依赖,但他们可以是任何东西,观察和测量一些数量。例如,一个自动驾驶系统可以用一个加速度计测量自己的状态,但它也可能测量传感器所面临的外部环境的状态像雷达、激光雷达和可见光摄像机。

传感器数据不一定有用它的原始状态。例如,摄像机图像可能有几百万像素,每8位或更多的信息在三个不同的颜色。这是大量的数据!为了利用这个巨大的数字数组,一个算法或人类需要拿出一些有价值的东西。这样,知觉不仅仅是获取信息,它的行为解释成一个有用的数量。观念可以分为两个不同但同样重要的职责:负责自我意识(感知自己的状态),它负责态势感知(感知环境中的其他对象和跟踪)。

知觉之后,车辆的信息需要做出决定,和它必须做出的第一个决定是计划一个路径从当前位置到目标,避免障碍和其他对象。我将在即将到来的分享更多关于这个主题的博客文章。

参考的电子书”运动规划与MATLAB”的更多信息

最后一步是行动计划;命令电机和驱动器,这样车辆遵循的路径。这是控制器和控制系统的工作。我们可以认为该计划的参考信号,控制器使用命令执行器和其他控制效应器的方式操纵系统沿着这条道路。

车辆的状态和物理世界的状态是不断变化的,所以整个自主循环继续。车辆感知环境,它知道它在哪里与环境中的地标,它认为跟踪动态物体,它重新计划给这个新的信息,它控制的执行机构遵循计划,等等,直到达到目标。

---

结合启发式和最佳方法

我们将详细介绍这些功能在这个博客,但是在我结束这篇文章之前,我想评论的不确定性环境如何影响我们想采用哪种方法来解决自主导航问题。

在过去的文章,我们走过实现完全自治的两种不同的方法:启发式方法和最优方法。我想指出的是,它不需要一个解决方案的情况最优的启发式100%或100%。我们可以使用这两种方法来实现更大的目标和选择这样做往往归结为车辆约有多少知识环境中操作。

例如,把一个自治的车。在高级别上,车辆可以通过城市规划最优路线。为此,汽车需要访问本地街道地图,这是它所能找到的最优路径,最大限度地减少时间的旅程。

然而,其他车辆在地图和障碍不存在。因此,作为自主车辆的方法较慢的车,那辆车和调整其原计划放慢脚步,跟随或改变通道和通过。通过起初看起来是最优的解决方案,然而,这未必是如果,说,较慢的车只有1英里每小时限速以下旅行。当然,自主车可以通过更快到达目的地,但慢慢的危害超过了车,花很多时间在即将到来的交通车道可能超过它的好处更快到达目的地。

理想的解决方案,只是一样好模型用于解决。因此,如果目标函数不考虑速度微分,然后通过的决定可能不会产生预期的结果。所以,为什么不写一个更好的目标函数,并创建一个更好的环境的模型吗?不幸的是,在某些情况下是不实际获得所有这些信息或理解环境很好。

一种可能的方式是有一个启发式行为或规则,帮助引导车辆在没有足够的信息的情况下。例如,一个规则,“只有试图通过一辆车如果领头的车旅行是低于10英里每小时限速。“启发式决策可以只使用引导车的状态,一旦它是由——最优路径可以创建到相邻车道上。通过这种方式,这两种方法可以相互补充。

当然,这并不能保证不会有迎面而来的障碍和车辆已经合并,但我们可以添加更多的规则覆盖这些情况!这样,启发式方法允许我们信息匮乏的时候做出决定,然后做出最优决策的情况下,可用的更多信息。

---

我一直使用自动汽车为例,但他们并不是唯一的系统,利用这两种方法。

• 还有其他的地面车辆,就像他们在亚马逊仓库迅速机动到给定的存储区域移动包虽然不是跑到其他移动车辆和固定货架。
• 有灾难区域内车辆的搜索导航未知和危险的地形。
• 有太空任务像OSIRIS-REX浏览以前既小行星)和准备精确定位的触摸和去收集样本返回地球。
• 有机械臂(cobots)和操纵者导航在当地的空间选择和移动到新的位置。
• 有无人机和无人驾驶飞机调查地区,更多的应用程序。

用自己的方式,这些系统可以实现自治系统的四个功能;他们可以感知周围环境,感知他们的环境,计划一个路径,遵循这条道路。在下一篇文章中,我们会潜水深入认知和谈论本地化的问题—也就是说,车辆如何确定他们是在一个环境。

---

学习更多关于这些功能,你可以看这个详细的视频”传感器融合和导航方法,使用MATLAB和Simulink为自治系统万博1manbetx”。谢谢你坚持到最后!如果你还没有,请按照这个博客越来越为即将到来的更新内容。