局部控制算法

自学机械人的小白ing · 2026-08-12 13:13:21 发布

局部控制算法（又称局部路径规划与轨迹跟踪算法）处于自主导航架构的底层，负责根据传感器（激光雷达、深度相机等）实时感知的局部环境信息，在满足机器人动力学与物理约束的前提下，实时生成避障轨迹或直接控制命令（如线速度 $v$ 与角速度 $\omega$）。

动态窗口法 (Dynamic Window Approach, DWA)
- 原理：在机器人的速度空间 $(v, \omega)$ 中采样，结合加速度与加速度极限筛选出短期内可达的速度窗口。预测每个速度在未来短时间内的运动轨迹，利用包含目标点方位、障碍物距离与运行速度的代价函数综合打分，选择最优速度输出。
- 适用场景：扫地机器人、室内 AGV（差速/全向轮模型）。
- 优缺点：计算速度极快，易于实现（ROS 默认 dwa_local_planner）；但在狭窄通道易陷入局部极小值，无法倒车规避。
时间弹性带 (Timed Elastic Band, TEB)
- 原理：将全局路径变形为“弹性带”，在路径点间引入时间间隔 $\Delta T$，将其转化为非线性最小二乘图优化问题（g2o/Ceres 求解）。同时约束运动学（如阿克曼转向半径）、速度/加速度极限以及动态障碍物距离。
- 适用场景：阿克曼转向车辆、复杂狭窄环境中的移动机器人。
- 优缺点：支持多种运动学模型，能够精准处理倒车、过弯及动态避障；求解优化问题开销较大，参数较为复杂（ROS teb_local_planner）。

人工势场法 (Artificial Potential Field, APF)
- 原理：构建虚拟物理场，将目标点设为引力源（引力 $F_{\text{att}}$ 与距离成正比），障碍物设为斥力源（斥力 $F_{\text{rep}}$ 与距离成反比），合力方向即为机器人的运动方向。
- 适用场景：简单环境下的快速避障、无人机三维避障。
- 优缺点：数学结构优雅，响应速度极快；存在目标不可达（GNRON 问题）以及容易卡在局部极小值（Local Minima）的固有缺陷。
矢量场直方图 (Vector Field Histogram, VFH / VFH+)
- 原理：将障碍物信息映射到极坐标网格中，构建角度-障碍物密度直方图，寻找低于碰撞阈值的“窄谷”作为安全通行方向。
- 适用场景：搭载激光雷达的移动机器人连续避障。
- 优缺点：平滑度好于传统 APF，能有效避免高频振荡；对传感器噪声较敏感。

局部模型预测控制 (Local MPC / NMPC)
- 原理：显式建立机器人的非线性状态空间方程 $x_{k+1} = f(x_k, u_k)$。在预测时域 $N$ 内，求解包含轨迹跟踪误差、控制平滑度及避障安全距离约束的最优控制序列 $U = \{u_0, u_1, \dots, u_{N-1}\}$，仅执行第一帧控制量 $u_0$。
- 适用场景：自动驾驶汽车、四足机器人、高速移动平台。
- 优缺点：控车精度极高、能够处理多变量与硬约束；依赖精确的车辆动力学模型，求解器（如 QP/SQP）计算吞吐要求高。

对于已经生成局部路径或参考轨迹的场景，需配合跟踪控制器输出底层控制量：

Pure Pursuit（纯追踪算法）：根据车辆当前位置，选取前方固定距离的“预瞄点（Look-ahead Point）”，按圆弧几何关系计算前轮转向角。简单鲁棒，但高速时易过冲。
Stanley 控制器：基于前轴中心，同时计算横向偏差（Cross-track Error）与航向偏差（Heading Error）进行非线性反馈控制。常用于阿克曼自动驾驶车辆。
LQR（线性二次型调节器）：将状态误差方程线性化，利用代数里卡蒂方程（ARE）求解最优状态反馈矩阵 $K$，实现高精度的连续跟踪。