méthode de champ de potentiel: Real Robots

Question

méthode de champ potentiel est une simulation très populaire pour la navigation robot. Cependant, quelqu'un at-il mis en œuvre la méthode sur le terrain potentiel sur les robots réels? Toute référence ou toute réclamation en utilisant la méthode des robots réels?.

Answer 1

Je l'ai fait la planification de parcours basé sur le terrain potentiel avant, mais abandonnée au profit d'approches plus adaptées à mon problème. Il fonctionne de manière adéquate pour les environnements où vous avez une localisation précise, et des lectures de capteurs précis, mais beaucoup moins dans les environnements du monde réel (son pas une solution particulièrement grande, même en termes de vitesse et de la qualité de chemin, même dans la simulation). Considérant qu'il ya maintenant beaucoup de bonnes implémentations de SLAM disponibles gratuitement ou à faible coût, ne me surprend pas pris la peine réimplémentant sauf si vous avez des problèmes très spécifiques avec la réutilisation. Pour MRDS (ce que je travaille dans) il y a Karto Robotics, ERO a une implémentation de SLAM, et il y a plusieurs implémentations open-source seulement interroger Google.

Si vous voulez un bon aperçu des différentes approches de la planification du chemin, alors vous pouvez récupérer une copie de « Introduction à mobile autonome Robots » par Segwart et al. C'est un très bon livre, et la section de planification de chemin donne un aperçu de bien des différentes stratégies autour.

Answer 2

Je vous suggère de lire le livre Planification des algorithmes par Steven M. LaValle si vous êtes généralement intéressé par chemin ou la planification de mouvement. Les méthodes décrites dans ce livre sont activement utilisés dans la communauté robotique.

Une recherche sur Google ou savant le site Web IEEE d'autre part vous obtiendrez beaucoup de références à des documents décrivant l'utilisation et à la recherche de la méthode de champ de potentiel.

Answer 3

Un rapide Google pour les méthodes de terrain pourrait créer ce papier: inhérentes champs potentiels méthodes et leurs limites pour la navigation mobile inhérentes Robot et m'a rappelé les problèmes de la dernière fois que je travaillais avec une méthode de terrain potentiel.

Dans nos projets ( CWRU Robotique mobile), nous avons vu ces exacte problèmes avec des algorithmes basés sur le terrain potentiels. La dernière tentative, un robot mobile pour participer à IGVC en 2009, a eu les mêmes problèmes décrits dans ce document, en particulier avec des minima locaux et ne pas être en mesure de passer à travers les obstacles rapprochés. Je me souviens distinctement avoir à contourner des problèmes avec les obstacles très rapprochés tout en essayant au plan par une étroite ouverture dans une clôture dans le cadre du défi de navigation GPS waypoint de IGVC.

Nous avons pu obtenir la vitesse de planification assez décent de l'algorithme en utilisant les shaders OpenGL personnalisé pour faire tout le calcul tout en représentant le champ potentiel comme une image / framebuffer. Comme Tom souligne, il est pas si bon dans des environnements inconnus ou dynamiques, comme dans ces situations, le champ potentiel ne sera jamais stabiliser et exigera constamment mise à jour.

Answer 4

Comme indiqué ci-dessus @ Tom, vous ne pouvez pas compter généralement sur les lectures des capteurs parfaits ou les moteurs vous déplacer exactement aussi loin que vous pensiez que vous leur avez dit à.

L'approche relativement nouvelle à SLAM j'ai eu la chance était il y a des années d'utilisation du Voronoï Généralisées Graph ( GVG ); essentiellement, à égale distance de séjour des deux plus proches murs, continuer à avancer, et aux points où vous êtes à égale distance de trois murs ou plus, revenir et essayer chaque branche deux mur à un moment donné. Vous allez construire un graphique qui vous permet de vous tout autour de la salle, et les garanties que vous avez eu la ligne de vue sur tout dans la chambre.

Answer 5

Nous avons essayé et abandonné un algorithme de champ potentiel (OpenSteer) pour notre véhicule DARPA Grand Challenge (Team Overbot) en 2003. Ce n'est pas une bonne idée pour un robot non holonome, car il ne tient pas compte des contraintes de direction ou dynamique. Il ne fonctionne pas bien du tout dans des espaces restreints. Il est plus adapté aux machines volantes, où vous avez beaucoup d'espace ouvert et ne veulent pas se rapprocher des obstacles.