모션 계획

경로 메트릭, RRT 경로 플래너, 경로 추종

모션 계획을 사용하여 환경 전체에서 경로를 계획합니다. RRT, RRT*, Hybrid A*와 같은 일반적인 샘플링 기반 플래너를 사용하거나 사용자 지정이 가능한 경로 계획 인터페이스를 지정할 수 있습니다. 경로 메트릭, 상태공간 샘플링, 상태 유효성 검사를 사용하여 경로가 유효한지, 경로가 장애물로부터 적절한 여유 공간을 갖는지, 경로가 원활한지 확인할 수 있습니다. 경로를 따르면서 Pure Pursuit 알고리즘, 벡터장 히스토그램(VFH), TEB(Timed Elastic Band) 알고리즘을 사용하여 장애물을 피할 수 있습니다.

함수

모두 확장

경로 플래너

`plannerRRT`	기하 계획을 위한 RRT 플래너 생성 (R2019b 이후)
`plannerRRTStar`	최적 RRT 경로 플래너(RRT) 생성 (R2019b 이후)*
`plannerBiRRT`	Create bidirectional RRT planner for geometric planning (R2021a 이후)
`plannerControlRRT`	Control-based RRT planner (R2021b 이후)
`plannerAStar`	Graph-based A* path planner (R2023a 이후)
`plannerAStarGrid`	그리드 맵의 A* 경로 플래너 (R2020b 이후)
`plannerHybridAStar`	Hybrid A* 경로 플래너 (R2019b 이후)
`plannerPRM`	Create probabilistic roadmap path planner (R2022a 이후)
`plannerBenchmark`	Benchmark path planners using generated metrics (R2022a 이후)
`navGraph`	Create `navGraph` object (R2023a 이후)

경로와 경로 세그먼트

`navPath`	계획된 경로 (R2019b 이후)
`navPathControl`	Path representing control-based kinematic trajectory (R2021b 이후)
`dubinsConnection`	Dubins 경로 연결 유형 (R2019b 이후)
`dubinsPathSegment`	Dubins path segment connecting two poses (R2019b 이후)
`reedsSheppConnection`	Reeds-Shepp path connection type (R2019b 이후)
`reedsSheppPathSegment`	Reeds-Shepp path segment connecting two poses (R2019b 이후)

경로 메트릭과 경로 최적화

`pathmetrics`	Information for path metrics (R2019b 이후)
`optimizePath`	Optimize path while maintaining safe distance from obstacle (R2022a 이후)
`optimizePathOptions`	Create optimization options for optimizePath function (R2022a 이후)

경로 추종

`controllerVFH`	Avoid obstacles using vector field histogram (R2019b 이후)
`controllerPurePursuit`	일련의 웨이포인트를 따라가도록 제어기 생성 (R2019b 이후)
`controllerTEB`	Avoid unseen obstacles with time-optimal trajectories (R2023a 이후)
`headingFromXY`	Compute heading angle from XY-points of path (R2023a 이후)
`velocityCommand`	Retrieve velocity command from time series of velocity commands (R2023a 이후)

상태공간

`nav.StateSpace`	Create state space for path planning (R2019b 이후)
`stateSpaceSE2`	SE(2) 상태공간 (R2019b 이후)
`stateSpaceSE3`	SE(3) state space (R2020b 이후)
`stateSpaceDubins`	Dubins 이동체를 위한 상태공간 (R2019b 이후)
`stateSpaceReedsShepp`	Reeds-Shepp 이동체를 위한 상태공간 (R2019b 이후)

충돌 검사

`checkCollision`	두 기하 도형이 충돌하는지 검사 (R2019b 이후)
`checkMapCollision`	Check for collision between 3-D occupancy map and geometry (R2022b 이후)
`nav.StateValidator`	Create state validator for path planning (R2019b 이후)
`validatorOccupancyMap`	2차원 그리드 맵 기반의 상태 유효성 검사기 (R2019b 이후)
`validatorOccupancyMap3D`	State validator based on 3-D grid map (R2020b 이후)
`validatorVehicleCostmap`	2차원 비용맵 기반의 상태 유효성 검사기 (R2019b 이후)
`dynamicCapsuleList`	Dynamic capsule-based obstacle list (R2020b 이후)
`dynamicCapsuleList3D`	Dynamic capsule-based obstacle list (R2020b 이후)

Collision 객체

`collisionBox`	Create box collision geometry (R2019b 이후)
`collisionCapsule`	Capsule primitive collision geometry (R2022b 이후)
`collisionCylinder`	Create collision cylinder geometry (R2019b 이후)
`collisionMesh`	Create convex mesh collision geometry (R2019b 이후)
`collisionSphere`	Create sphere collision geometry (R2019b 이후)
`collisionVHACD`	Decompose mesh into convex collision meshes using V-HACD (R2023b 이후)
`showCollisionArray`	Show array of collision objects in figure (R2023b 이후)

공간 샘플링

`nav.StateSampler`	Create state sampler for path planning (R2023b 이후)
`stateSamplerGaussian`	Gaussian state sampler for sampling-based motion planning (R2023b 이후)
`stateSamplerUniform`	Uniform state sampler for sampling-based motion planning (R2023b 이후)
`mpnetSE2`	Motion Planning Networks (R2023b 이후)
`mpnetPrepareData`	Prepare training data for Motion Planning Networks (R2023b 이후)
`stateSamplerMPNET`	MPNet state sampler for sampling-based motion planning (R2023b 이후)

상태 전파

`nav.StatePropagator`	State propagator for control-based planning (R2021b 이후)
`mobileRobotPropagator`	State propagator for wheeled robotic systems (R2021b 이후)

사용자 지정 경로 계획 인터페이스

`createPlanningTemplate`	Create sample implementation for path planning interface (R2019b 이후)
`nav.StateSpace`	Create state space for path planning (R2019b 이후)
`nav.StateValidator`	Create state validator for path planning (R2019b 이후)
`nav.StateSampler`	Create state sampler for path planning (R2023b 이후)

궤적 생성

`referencePathFrenet`	웨이포인트에 피팅된 평활한 기준 경로 (R2020b 이후)
`trajectoryGeneratorFrenet`	기준 경로를 따르는 대안 궤적 찾기 (R2020b 이후)
`trajectoryOptimalFrenet`	Find optimal trajectory along reference path (R2019b 이후)

플로팅 함수

`plannerLineSpec.goal`	Specifications for plotting goal state (R2023b 이후)
`plannerLineSpec.goalTree`	Specifications for plotting search tree from goal to start (R2023b 이후)
`plannerLineSpec.heading`	Specifications for plotting heading angle (R2023b 이후)
`plannerLineSpec.path`	Specifications for plotting forward path (R2023b 이후)
`plannerLineSpec.reversePath`	Specifications for plotting reverse path (R2023b 이후)
`plannerLineSpec.reverseTree`	Specifications for plotting reverse search tree (R2023b 이후)
`plannerLineSpec.start`	Specifications for plotting start state (R2023b 이후)
`plannerLineSpec.state`	Specifications for plotting generic states (R2023b 이후)
`plannerLineSpec.tree`	Specifications for plotting forward search tree (R2023b 이후)

블록

Pure Pursuit	선속도 제어 명령과 각속도 제어 명령 (R2019b 이후)
Vector Field Histogram	Avoid obstacles using vector field histogram (R2019b 이후)

개념

Get Started with Motion Planning Networks
Motion Planning Networks for state space sampling.

예제 및 방법

내비게이션을 위한 경로 계획 알고리즘 선택하기
다양한 경로 계획 알고리즘과 모션 계획 알고리즘의 이점에 대해 자세히 알아보십시오.
Moving Furniture in a Cluttered Room with RRT
This example shows how to plan a path to move bulky furniture in a tight space avoiding poles.
Optimal Trajectory Generation for Urban Driving
This example shows how to perform dynamic replanning in an urban scenario using trajectoryOptimalFrenet.
Motion Planning in Urban Environments Using Dynamic Occupancy Grid Map
This example shows you how to perform dynamic replanning in an urban driving scene using a Frenet reference path.
Path Following with Obstacle Avoidance in Simulink®
Use Simulink to avoid obstacles while following a path for a differential drive robot.
Obstacle Avoidance with TurtleBot and VFH
This example shows how to use ROS Toolbox and a TurtleBot® with vector field histograms (VFH) to perform obstacle avoidance when driving a robot in an environment.
Vector Field Histogram
VFH algorithm details and tunable properties.
Pure Pursuit 제어기
Pure Pursuit 제어기 기능 및 알고리즘 세부 정보

추천 예제

RRT를 사용한 이동 로봇 경로 계획

이 예제는 RRT(Rapidly-exploring Random Tree) 알고리즘을 사용하여 알려진 맵에서 움직이는 이동체의 경로를 계획하는 방법을 보여줍니다. 특수한 이동체 제약 조건은 사용자 지정 상태공간에도 적용됩니다. 모든 내비게이션 응용 분야에서 사용자 지정 state space 객체와 path validation 객체를 이용해 사용자 자신의 플래너를 조정할 수 있습니다.

라이브 스크립트 열기

실내 맵의 동적 재계획

이 예제는 거리 측정기와 A* 경로 플래너를 이용해 창고 맵에 동적 재계획을 수행하는 방법을 보여줍니다.

라이브 스크립트 열기

Highway Lane Change

Perceive surround-view information and use it to design an automated lane change maneuver system for highway driving scenarios.

스크립트 열기

Highway Trajectory Planning Using Frenet Reference Path

Demonstrates how to plan a local trajectory in a highway driving scenario. This example uses a reference path and dynamic list of obstacles to generate alternative trajectories for an ego vehicle. The ego vehicle navigates through traffic defined in a provided driving scenario from a drivingScenario object. The vehicle alternates between adaptive cruise control, lane changing, and vehicle following maneuvers based on cost, feasibility, and collision-free motion.

라이브 스크립트 열기

Reverse-Capable Motion Planning for Tractor-Trailer Model Using plannerControlRRT

Find global path-planning solutions for systems with complex kinematics using the kinematics-based planner, plannerControlRRT. The example is organized into three primary sections:

라이브 스크립트 열기

Object Tracking and Motion Planning Using Frenet Reference Path

Dynamically replan the motion of an autonomous vehicle based on the estimate of the surrounding environment. You use a Frenet reference path and a joint probabilistic data association (JPDA) tracker to estimate and predict the motion of other vehicles on the highway. Compared to the Highway Trajectory Planning Using Frenet Reference Path example, you use these estimated trajectories from the multi-object tracker in this example instead of ground truth for motion planning.

라이브 스크립트 열기

Optimization Based Path Smoothing for Autonomous Vehicles

Optimize the path for a car-like robot by maintaining a smooth curvature and a safe distance from the obstacles in a parking lot.

라이브 스크립트 열기

Benchmark Path Planners for Differential Drive Robots in Warehouse Map

Choose the best 2-D path planner for a differential drive robot in a warehouse environment from the available path planners. Use the plannerBenchmark object to benchmark the path planners plannerRRT, plannerRRTStar, plannerBiRRT, plannerPRM, and plannerHybridAstar on the warehouse environment with the randomly chosen start and goal poses. Compare the path planners based on their ability to find a valid path, clearance from the obstacles, time taken to initialize a planner, time taken to find a path, length of the path, and smoothness of the path. A suitable planner is chosen based on the performance of each path planner on the above mentioned metrics.

라이브 스크립트 열기

Offroad Planning with Digital Elevation Models

Process and store 2.5-D information, and presents various techniques for using it for an offroad path planner.

라이브 스크립트 열기

Enable Vehicle Collision Checking for Path Planning Using Hybrid A*

Use a Hybrid A* planner to plan a path to a narrow parking space, while accounting for the shape of a car-like robot.

라이브 스크립트 열기

Plan Path to Custom Goal Region for Mobile Robot

Plan a path for a mobile robot to a goal region using a rapidly exploring random tree (RRT) path planner. In this example, you can define a custom goal region as a 2-D polygon, and then plan a path to it.

라이브 스크립트 열기

Hybrid Sampling Method for Motion Planning in Warehouse Environment

Combine uniform sampling and Gaussian sampling approaches for motion planning in narrow passages and wide spaces.

라이브 스크립트 열기

Train Deep Learning-Based Sampler for Motion Planning

Create a deep learning-based sampler using Motion Planning Networks to speed up path planning using sampling-based planners like RRT (rapidly-exploring random tree) and RRT*. For information about Motion Planning Networks (MPNet) for state space sampling, see Get Started with Motion Planning Networks.

라이브 스크립트 열기

Accelerate Motion Planning with Deep-Learning-Based Sampler

The example shows how to use sampling-based planners such as RRT (rapidly-exploring random tree) and RRT* with Motion Planning Networks (MPNet), deep-learning-based sampler to find optimal paths efficiently.

라이브 스크립트 열기

Route Planning in Uneven Terrain Based on Vehicle Requirements

Use navGraph and plannerAStar to find a path through rough terrain while accounting for vehicle-based requirements and constraints.

라이브 스크립트 열기