• 根据获得的实时传感器测量信息，调整路径，避免发生碰撞

• • Bug算法
  • 人工势场法
  • 向量场直方图法
  • 动态窗口法

Bug算法

让机器人朝着目标前进，当路径上出现障碍时，让机器人绕着障碍物的轮廓移动，然后绕离它，继续驶向目标

• 机器人沿着障碍物做完整绕行，找出障碍物上最靠近目标点的点，为离开点。再次绕行到该点，从该点离开障碍物。沿直线向目标点移动
• 如果离开点到目标的直线与当前障碍物相交，则不存在到达目标的路径

• 优点：可确保机器人到达任意目标
• 缺点：计算效率低

• 根据起始点和终止点定义路径L
• 当遇到障碍物时，进入障碍物轮廓跟踪模式
• 当到达L上一个接近目标点的位置时，如果该位置比碰到障碍物时的位置更接近目标点，则继续沿着L移向目标点，否则继续绕行

• 如果在跟踪模式下再次到达进入障碍物轮廓跟踪模式的点，则可以判断不存在到达目标点的路径

• 优点：具有较短的移动路径
• 贪婪搜索，某些情况下移动低效

向量势直方图（VFH）

• 基本思想：根据环境详细栅格地图构建机器人坐标系下障碍物概率直方图，根据概率直方图评估最优运动方向

以机器人当前位置为中心，构建栅格地图(Active Window)，对Active Window中的单元，根据实时传感器的检测信息建立障碍物的可信度概率，评估机器人每个方向上障碍物的密度，构成直方图，选择小于threshold的通道进行规划。

• 构建并维护机器人周围环境的局部栅格地图

• 为每个栅格计算其障碍物向量，距离机器人越近向量越大

• 转换为极坐标下的障碍物概率直方图

• 根据直方图，识别所有可以让机器人通过的通道。对每个通道计算成本，选择最低成本通道，得到导航方向。

成本计算：

G=a⋅targetdirection+b⋅ wheel orientation + c⋅ previous_direction(1)(1)G=a⋅targetdirection+b⋅ wheel orientation + c⋅ previous_direction

- target direction：路径与目标之间的对齐量
- wheel orientation：新方向和当前机器人方向的差异量  避免机器人大幅转弯
- Previous direction：原来选择方向和新方向之间的差异量  避免机器人扭来扭去
- 通过a，b，c进行权重调节

动态窗口法（DWA）

• 基本思想：在速度空间中搜索适当的平移速度和旋转速度指令(v,w)
  • 从几何空间搜索转化为速度空间搜索

• 基于速度控制运动模型，构建可行的速度空间

• 考虑到机器人在运动过程中最大加速度的约束，在当前速度配置处以固定的小时间间隔开一个速度窗口空间

• 结合机器人速度约束，获得可行的速度空间

• 在可行速度空间中选择最优的速度控制指令

• 存在问题
  • 根据单步信息数据计算期望速度，在评估选择速度时不考虑速度和路径平滑，容易导致机器人运动存在震动和轨迹扭动问题
  • 参数较多，难以适应各自情况