3.3.c 确定性采样:基于控制空间采样代码解析

type
status
slug
date
summary
tags
category
password
icon
你不能放弃,就算跛着脚也要爬上高峰。
—《楚门的世界》
🏰代码及环境配置:请参考0.2 环境配置和代码运行 | 动手学运动规划!

本节提供了基于控制空间采样的代码测试,其中代码是以1.1节中的自行车模型为基础进行实现的:

3.3.c.1 基于控制空间采样的代码实现

tests/sampling_based_planning/control_based_sampler_test.py 中定义了轨迹的生成方式,其中:
start_p :轨迹的起点
v :车辆的驾驶速度,在每一阶段,按照匀速行驶
max_steer :车辆最大的前轮转角
min_steer :车辆最小的前轮转角
delta_steer :方向盘转角的分辨率
delta_t:生成轨迹点的时间分辨率
total_t:轨迹的总时长

3.3.c.2 基于控制空间采样的代码测试

在测试中,分为两个阶段,第一个阶段从起始点开始,按照不同的前轮转角往前推出行驶轨迹(效果图中的洋红色曲线),第二阶段,以第一阶段轨迹的最后一个点为起点,然后继续按照不同的前轮转角往前推出行驶轨迹(效果图中的灰色曲线);然后设置不同的cost来评估每一条曲线,最后基于cost选出最优轨迹(为了测试,代码中的cost没有填充,只是随机选择了一条轨迹,效果图中的红色曲线)。
从效果图也可以看出,基于控制空间的采样方式可以生成满足运动学约束的曲线,但由于没有其他约束,会导致生成需要无用的轨迹(例如超出道路边界等)。
notion image
动手学运动规划(Motion Planning)动手学运动规划(Motion Planning)
Loading...
目录
文章列表