在障碍物环境中找到安全路径。介绍人工势场法和RRT。
import numpy as np
np.random.seed(42)
class Obs:
def __init__(s,c,r): s.c=np.array(c); s.r=r
def dist(s,p): return max(np.linalg.norm(p-s.c)-s.r,0)
def grad(s,p): d=p-s.c; n=np.linalg.norm(d); return d/n if n>1e-10 else np.random.randn(2)
obs=[Obs([1.,.5],.2),Obs([.5,1.],.15),Obs([.8,.8],.1)]
L1,L2=1.,.8; qs=np.array([0.,0.]); qg=np.array([np.pi/3,np.pi/4])
# APF
q=qs.copy(); apf_ok=False
for i in range(500):
Fa=-1.0*(q-qg); Fr=np.zeros(2)
for o in obs:
d=o.dist(q)
if d<.3:
p_end=np.array([L1*np.cos(q[0])+L2*np.cos(q[0]+q[1]),L1*np.sin(q[0])+L2*np.sin(q[0]+q[1])])
Fr+=.5*(1/d-1/.3)*(1/d**2)*o.grad(p_end)
F=Fa+Fr; q+=0.02*F
if np.linalg.norm(q-qg)<.05: apf_ok=True; break
print("避障规划仿真"); print("="*60)
print(f"APF: {'收敛' if apf_ok else '未收敛'}, iter={i+1}")
# RRT
tree=[qs.copy()]; parent={0:-1}
for i in range(2000):
qr=qg.copy() if np.random.random()<.1 else np.random.uniform(-np.pi,np.pi,2)
ds=[np.linalg.norm(n-qr) for n in tree]; ni=np.argmin(ds); qn=tree[ni]
d=qr-qn; dn=np.linalg.norm(d); qnew=qn+.05*d/dn if dn>1e-10 else qn
x=L1*np.cos(qnew[0])+L2*np.cos(qnew[0]+qnew[1]); y=L1*np.sin(qnew[0])+L2*np.sin(qnew[0]+qnew[1])
coll=any(o.dist(np.array([x,y]))<.01 for o in obs)
if not coll:
tree.append(qnew); parent[len(tree)-1]=ni
if np.linalg.norm(qnew-qg)<.1:
path=[]; idx=len(tree)-1
while idx!=-1: path.append(tree[idx]); idx=parent[idx]
print(f"RRT: 找到路径! 树={len(tree)} 路径={len(path)}")
break
else: print("RRT: 未找到路径")import numpy as np
np.random.seed(42)
print("感知系统噪声鲁棒性")
for sigma in [0.5,1.0,2.0,5.0]:
K=np.array([[500,0,320],[0,500,240],[0,0,1]]); n=8
pts3d=np.random.rand(n,3)*0.2; R=np.eye(3); t=np.array([0,0,1.])
pc=(R@pts3d.T).T+t; p2d=(K@pc.T).T; p2d=p2d[:,:2]/p2d[:,2:3]
noisy=p2d+np.random.randn(*p2d.shape)*sigma
proj_err=np.mean(np.linalg.norm(noisy-p2d,axis=1))
print(f" σ={sigma:.1f}px: 2D误差={proj_err:.2f}px, 3D误差≈{proj_err/500*1000:.1f}mm")感知鲁棒性取决于特征质量、观测数量和噪声水平。工程中常用RANSAC等鲁棒估计方法。
本课程按"运动学→动力学→力控制→感知规划→实战项目"组织,每课都建立在前面知识基础上。理解本课后,你将:
完成本课后,你应该能够:
完成练习后,继续下一课的学习。本课内容将在后续课程中被反复使用和扩展。
针孔相机模型将3D世界投影到2D图像:
其中K是内参矩阵(焦距、主点、畸变),[R|t]是外参(位姿)。从2D恢复3D是欠约束问题,需要额外的约束(多个视角、已知3D模型、深度传感器)。
PRM和RRT是两类经典的采样式规划算法:
采样式方法的成功取决于构型空间的维度和障碍物的几何复杂度。
深度学习极大地改变了机器人感知:
挑战:标注数据需求大、泛化能力有限、实时性要求高。合成数据+域适应是当前的解决方案。
本课涉及的技术在以下场景中有重要应用:
理解理论与实践的差距,是成为优秀机器人工程师的关键。
仿真验证的算法通常需要以下适配才能部署到实际机器人:参数标定、实时性优化、异常处理、安全保护。仿真与现实的差距(sim-to-real gap)是机器人领域的重要挑战。
Python适合算法验证和原型开发,但生产级控制器通常用C++实现。Python的NumPy/SciPy计算效率约为C++的1/10到1/100,对于1kHz控制频率可能不够。可以使用Cython、Numba或直接C++重写来加速。
推荐步骤:(1) Python仿真验证算法正确性;(2) 添加传感器噪声和延迟模型测试鲁棒性;(3) 用C++重写核心计算模块;(4) 在低速度下实际测试;(5) 逐步提高速度和负载。安全永远是第一位的。
| 术语 | 英文 | 定义 |
|---|---|---|
| 正运动学 | Forward Kinematics | 已知关节角求末端位姿 |
| 逆运动学 | Inverse Kinematics | 已知末端位姿求关节角 |
| 雅可比矩阵 | Jacobian Matrix | 关节速度到末端速度的映射 |
| 奇异位形 | Singularity | 末端失去某些方向运动能力的位形 |
| 工作空间 | Workspace | 末端可达的空间区域 |
| 自由度 | Degrees of Freedom | 独立运动变量的数量 |
| 齐次变换 | Homogeneous Transform | 4x4矩阵表示位姿 |
| 阻抗控制 | Impedance Control | 控制力与位移的动态关系 |
| 导纳控制 | Admittance Control | 输入力输出位移修正 |
| 轨迹规划 | Trajectory Planning | 生成平滑的运动时间函数 |
| 力封闭 | Force Closure | 接触力可抵抗任意外力 |
| 碰撞检测 | Collision Detection | 判断几何体是否相交 |
| 路径规划 | Path Planning | 在障碍物间找到安全路径 |
| 视觉伺服 | Visual Servoing | 基于视觉反馈的运动控制 |
| 手眼标定 | Hand-Eye Calibration | 确定相机与机器人坐标系的变换 |
掌握势场法和RRT两大避障算法!
在实际机器人上实验时,请始终遵循以下安全规则: