自主导航,第1部分:自主导航是什么?
从系列:Navegacion自治
布莱恩•道格拉斯
导航是能够确定你的位置在一个环境和能够找出一条路径,它将带你去一个目标。这个视频概述自主水下机器人,我们这样做。
我们将讨论意味着什么有全自动车辆看看映射环境和路径规划的重要性。我们还将展示如何实现完全自治通过启发式方法和最优方法。
整个视频系列的目的是给你一个基本的了解自主导航问题,一些条款是什么,需要的一些算法,在某些环境中,是什么让这个问题困难。所以,这就是我们将介绍几个视频,但在第一个,我想设置阶段,仅仅介绍自主导航的概念。我认为这是很有趣的,所以我希望你留下来。我是布莱恩,欢迎来到MATLAB技术说话。
导航是能够确定你的位置在一个环境和能够找出一条路径,它将把你从你的当前位置到一些目标。导航在旷野可能需要说GPS来决定你在哪里,和映射到计划的最佳路径绕过山和湖泊到达营地或者你的目标是什么。
自主导航,现在做这个,但是没有人类的循环。一般来说,它是如何得到一个工具来确定它的位置使用一组传感器和移动自己通过一个环境达到一个预期的目标。当我说,我的意思是任何类型的移动机器。可能是路上汽车旅行,或无人机使其回到机场,或宇宙飞船穿越太阳系的游记,或潜水探索海洋的深处,或其他移动机器人。通过这种方式,我们已经考虑到车辆的自治权。决策和行动的能力。
但是,有不同程度的自治和他们从一辆车,只是由人类从远程位置但是有一些简单的算法上,将接管和自动防止运行悬崖什么的,到全自动车辆没有人机交互。
本系列中,我们将主要把注意力集中在如何使一个完全自治车辆。这是因为有很多更多的参与,我们可以将这些知识应用到其他车辆,其他地方自治频谱。
但即使完全自主导航,我们可以进一步把这个分成两种不同的方法;一种启发式方法,其中自主性是通过一组实用的规则或行为。它不能保证最优的结果,但很好的实现一些直接的目标。启发式的好处是你不需要完整的信息环境实现自治。然后在另一边有一个最佳的方法,通常需要更多的知识环境和计划,以及随之而来的行动来自一个最大化或最小化目标函数。让我们去更进每一个。
启发式方法的一个例子是一个迷宫求解车辆简单的规则可能会推动和保持左边的墙。因此离开当墙上留下,让一个大转变的一堵墙,事实上在一个角落里。这种类型的自主车辆将继续漫步在走廊,直到达到目标。这样,车辆不需要维护的迷宫地图,甚至知道它是在一个迷宫,为了找到最后。它不遵循一个最优路径,但它的工作原理。至少,只要它不会停留在一个循环。
其他类型的heuristic-based自治包括最简单的机器人真空吸尘器,当遇到障碍物的时候像一堵墙,它旋转到一个新的随机角度和继续。
随着时间的增加,整个地板覆盖的几率接近100%,所以在最后,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。
所以,这就引出了第二种全自动车辆;解决优化问题。在这些系统中,车辆构建的模型环境,或更新的模型给它,然后找出一个最优路径到达目标。
有很多伟大的自驾车辆实际例子,optimal-based策略比heuristic-based同行产生更好的结果。目前可能最著名的是自主驾驶车辆导航到一个目的地通过动态和混乱的街道。并依靠简单的行为驱动前进和保持抑制你的可能不是最好的方法快速安全的到达你想去的地方。更有意义的车辆模型的动态环境的能力,即使这模型是不完美的,然后使用它来确定一个最优的解决方案。
现在这不是通常的解决方案是最优的启发式100%或100%。通常,我们可以使用两种方法来实现更大的目标。例如,自主车,在一个较高的水平可以通过城市规划最优路线考虑当前的交通。然而,在当地的水平时,方法较慢的车,它必须做决定慢下来或改变通道和通过。如果是要做出这个决定最优,它必须有知识超出了前面的车来确定换车道是最好的解决方案,可能很难获得,所以可能是一个更好的解决方案是一种启发式行为类似说,如果这样做是安全的,总是试图通过较慢的汽车。一旦决定,最优路径可以创建到相邻车道上。通过这种方式,这两种方法可以根据情况是相辅相成的。
和自主汽车并不是唯一的例子系统,利用这两种方法。还有其他地面车辆,就像他们在亚马逊仓库,必须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。灾区内或车辆搜索导航未知和危险的地形。有太空任务像OSIRIS-REX已在前面,并且导航小行星)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,和许多更多的应用程序。
但自主导航不一定容易尽管有多普遍成为世界上最的是,车辆很难通过一个不完全已知的环境。为了创建一个计划必须建立一个模型的环境。模型和环境是不断变化的,所以必须不断更新,还有障碍,移动和不一定明显,所以传感和识别它们是很困难的。更多的不确定性有在环境和环境模型中,导航问题就变得越困难。
例如,建立一个自治的地球轨道上的宇宙飞船,通常是一个简单的导航问题比一个自治飞机。空间比空气更可预测的环境,因为我们有更少的不确定性的力量作用于车辆和我们有了更多的确定性在附近其它对象的跟踪。因此,我们可以更有信心的计划和期望有一个更好的航天器自主能遵循这个计划。有了飞机,我们不得不处理未知的动荡,成群的鸟飞来飞去,和其他人类控制飞机,降落,机场滑行。
但一个自治飞机本身通常是一个简单的问题比一个自主车同样的理由。有更多不确定性在城市开车比飞行在相对开放的空气。
所以,我在这里想强调的是,是什么让这些车辆令人印象深刻的不是他们自己可以移动。我的意思是,这很容易获得一个汽车驾驶本身。你只需要一个压缩油门的致动器。汽车将起飞和推动前进。困难的部分是让它在一个不确定的自主导航和变化的环境。的车,它是有效地到达目的地,并遵循当地的交通法规,为了避免凹坑,球滚到街上,和改变建设,并避免其他车辆由不可预知的人类,和做所有这些雪和雨等等。不是一件容易的事。
了解我们如何得到车辆和其他令人难以置信的自治任务,我们需要重新审视自治系统的功能覆盖,我们的第一个视频传感器融合和跟踪系列。如果你没有看到它,想要更长的描述,我把下面的一个链接,但这是一个快速回顾。
自治系统需要与物质世界和交互的一部分是使用传感器采集环境数据。这个传感器数据必须被解释成更有用的东西不仅仅是测量量。这些都是了解其他对象或障碍,建立一个模型,或环境的地图,和理解自主车辆本身的状态,它的位置和方向。
有了这个信息,车辆有一切需要计划一个路径从当前位置到目标。避免障碍和其他对象。最后一步是执行了这个计划。驱动马达和驱动器,这样车辆遵循的路径。致动器影响物理世界和整个循环继续。
我们感觉到环境。我们明白我们是在与环境的地标。我们感知和跟踪动态对象。我们再计划给这个新设置的信息。我们控制车辆跟随的计划。等等,直到我们到达目标。
传感器融合视频中,我们讨论了多传感器融合和跟踪跨越了意识和感知步骤,当传感器融合和跟踪是绝对必要的自主导航的部分,在这个系列中我们将关注感知步骤和计划内的其他算法步骤。我们要回答这样的问题是什么意思来生成一个模型的环境?车辆如何知道它在哪里在这个模型?车辆跟踪其他大型对象和障碍如何?一些路径规划实现的方式是什么?和你怎么知道系统会在结束工作吗?
所以,这是你所期待的。下一节,我们将探讨大满贯的问题。同时,我们如何方法确定车辆的位置和建筑环境的地图。如果你不想错过,或其他任何未来科技视频别忘了订阅这个通道。你想看看我的频道,控制系统讲座,我覆盖更多的控制理论主题。谢谢观看,下次再见。
相关产品下载188bet金宝搏
了解更多
你也可以从下面的列表中选择一个网站:
表现最好的网站怎么走吗
选择中国网站(中文或英文)最佳站点的性能。其他MathWorks国家网站不优化的访问你的位置。