全局路径规划的路线是这样的？

Question

为什么全局路径规划的路线是这样的？紧紧贴着膨胀层，也很曲折，看着很不正常

Answer 1

下午好🌅🌅🌅
本答案参考通义千问

全局路径规划的路线设计通常受到多种因素的影响，包括环境地图、障碍物布局以及算法的实现方式。如果全局路径规划的路线看起来紧紧贴着膨胀层（即膨胀障碍物区域）并且显得非常曲折，可能有以下几个原因：

1. 膨胀层的作用：

   • 膨胀层是为了给局部路径规划留出足够的安全空间，确保机器人或车辆不会与障碍物发生碰撞。
   • 如果路径过于靠近膨胀层，可能是为了尽量缩短路径长度，或者是因为路径规划算法优先考虑了避开障碍物的主要方向。

2. 路径优化目标：

   • 最短路径：有些路径规划算法会优先选择最短路径，即使这会导致路径变得曲折。
   • 平滑性不足：某些算法可能没有充分考虑路径的平滑性，导致生成的路径不够直或不够优雅。

3. 算法限制：

   • A 或 Dijkstra 算法*：这些经典的路径规划算法可能会生成较为直接但不够平滑的路径。
   • 人工势场法：这种方法可能会导致路径过于绕行或靠近障碍物。

解决方案

以下是几种可能的解决方案，可以帮助改善路径规划的结果：

1. 优化路径平滑性：

   • 在生成路径后，对路径进行平滑处理，使其更加平滑和高效。

   def smooth_path(path, iterations=100, step_size=1.0):
       smoothed_path = path.copy()
       for _ in range(iterations):
           for i in range(1, len(smoothed_path) - 1):
               current_point = smoothed_path[i]
               prev_point = smoothed_path[i - 1]
               next_point = smoothed_path[i + 1]
               new_point = (current_point[0] + step_size * (prev_point[0] + next_point[0] - 2 * current_point[0]),
                            current_point[1] + step_size * (prev_point[1] + next_point[1] - 2 * current_point[1]))
               # Ensure the new point is not too close to obstacles
               if not is_obstacle(new_point):
                   smoothed_path[i] = new_point
       return smoothed_path
   

2. 调整膨胀层大小：

   • 增大膨胀层的大小，以确保路径不会过于靠近障碍物。

   def inflate_obstacles(obstacles, inflation_radius):
       inflated_obstacles = []
       for obstacle in obstacles:
           inflated_obstacle = [(x + dx, y + dy) for x, y in obstacle for dx in range(-inflation_radius, inflation_radius + 1)
                                for dy in range(-inflation_radius, inflation_radius + 1)]
           inflated_obstacles.extend(inflated_obstacle)
       return inflated_obstacles
   

3. 使用更高级的路径规划算法：

   • 考虑使用 RRT（Rapidly-exploring Random Tree）或 RRT* 等算法，这些算法可以生成更加平滑和高效的路径。

   class RRT:
       def __init__(self, start, goal, obstacle_list, expand_dis=1.0, max_iter=500):
           self.start = Node(start[0], start[1])
           self.goal = Node(goal[0], goal[1])
           self.obstacle_list = obstacle_list
           self.expand_dis = expand_dis
           self.max_iter = max_iter
           self.node_list = [self.start]
   
       def planning(self):
           for _ in range(self.max_iter):
               rnd_node = self.get_random_node()
               nearest_ind = self.get_nearest_node_index(rnd_node)
               nearest_node = self.node_list[nearest_ind]
   
               new_node = self.steer(nearest_node, rnd_node, self.expand_dis)
   
               if self.check_collision(new_node, self.obstacle_list):
                   self.node_list.append(new_node)
   
               if self.calc_dist_to_goal(self.node_list[-1].x, self.node_list[-1].y) <= self.expand_dis:
                   final_node = self.steer(self.node_list[-1], self.goal, self.expand_dis)
                   if self.check_collision(final_node, self.obstacle_list):
                       return self.generate_final_course(len(self.node_list) - 1)
   
           return None
   
       def steer(self, from_node, to_node, extend_length=float("inf")):
           new_node = Node(from_node.x, from_node.y)
           d, theta = self.calc_distance_and_angle(new_node, to_node)
           new_node.x += extend_length * math.cos(theta)
           new_node.y += extend_length * math.sin(theta)
   
           return new_node
   
       # Other helper methods...
   

4. 结合全局与局部路径规划：

   • 使用全局路径规划确定大致路径，然后使用局部路径规划优化具体路径。

   def combine_global_local_planning(global_path, local_planner):
       local_path = local_planner.optimize(global_path)
       return local_path
   

通过以上方法，可以有效改善全局路径规划的结果，使其更加合理和高效。