DWA算法，仿真转为C用于无人机避障

DWA算法，仿真转为C用于无人机避障

链接:
机器人局部避障的动态窗口法(dynamic window approach)

链接:
机器人局部避障的动态窗口法DWA (dynamic window approach)仿真源码详细注释版

链接: 常见路径规划算法代码-Matlab （纯代码篇）

MATLAB代码

function [] = DynamicWindowApproachSample()close all;
clear all;disp('Dynamic Window Approach sample program start!!')%% 机器人的初期状态[x(m),y(m),yaw(Rad),v(m/s),w(rad/s)]
x = [0 0 pi/2 0 0]'; 
% 下标宏定义 状态[x(m),y(m),yaw(Rad),v(m/s),w(rad/s)]
POSE_X      = 1;  %坐标 X
POSE_Y      = 2;  %坐标 Y
YAW_ANGLE   = 3;  %机器人航向角
V_SPD       = 4;  %机器人速度
W_ANGLE_SPD = 5;  %机器人角速度 goal = [5,5];   % 目标点位置 [x(m),y(m)]% 障碍物位置列表 [x(m) y(m)]obstacle=[0 2;4 24 5];% obstacle=[0 2;
%           2 4;
%           2 5;      
%           4 2;
% %           4 4;
%           5 4;
% %           5 5;
%           7.5 6;
%           5 9
%           8 8
%           7.8 8.5
%           6.5 9];obstacleR = 1;% 冲突判定用的障碍物半径
global dt; 
dt = 0.1;% 时间[s]% 机器人运动学模型参数
% 最高速度m/s],最高旋转速度[rad/s],加速度[m/ss],旋转加速度[rad/ss],
% 速度分辨率[m/s],转速分辨率[rad/s]]
Kinematic = [1.0,toRadian(20.0),0.2,toRadian(50.0),0.01,toRadian(1)];
%定义Kinematic的下标含义
MD_MAX_V    = 1;%   最高速度m/s]
MD_MAX_W    = 2;%   最高旋转速度[rad/s]
MD_ACC      = 3;%   加速度[m/ss]
MD_VW       = 4;%   旋转加速度[rad/ss]
MD_V_RESOLUTION  = 5;%  速度分辨率[m/s]
MD_W_RESOLUTION  = 6;%  转速分辨率[rad/s]]% 评价函数参数 [heading,dist,velocity,predictDT]
% 航向得分的比重、距离得分的比重、速度得分的比重、向前模拟轨迹的时间
evalParam = [0.2, 0.1 ,0.1, 3];area      = [-1 11 -1 11];% 模拟区域范围 [xmin xmax ymin ymax]% 模拟实验的结果
result.x=[];   %累积存储走过的轨迹点的状态值 
tic; % 估算程序运行时间开始% movcount=0;
%% Main loop   循环运行 5000次 指导达到目的地 或者 5000次运行结束
for i = 1:5000  % DWA参数输入 返回控制量 u = [v(m/s),w(rad/s)] 和 轨迹[u,traj] = DynamicWindowApproach(x,Kinematic,goal,evalParam,obstacle,obstacleR);x = f(x,u);% 机器人移动到下一个时刻的状态量 根据当前速度和角速度推导 下一刻的位置和角度% 历史轨迹的保存result.x = [result.x; x'];  %最新结果 以列的形式 添加到result.x% 是否到达目的地if norm(x(POSE_X:POSE_Y)-goal')<0.5   % norm函数来求得坐标上的两个点之间的距离disp('Arrive Goal!!');break;end%====Animation====hold off;               % 关闭图形保持功能。 新图出现时，取消原图的显示。ArrowLength = 0.5;      % 箭头长度% 机器人% quiver(x,y,u,v) 在 x 和 y 中每个对应元素对组所指定的坐标处将向量绘制为箭头quiver(x(POSE_X), x(POSE_Y), ArrowLength*cos(x(YAW_ANGLE)), ArrowLength*sin(x(YAW_ANGLE)), 'ok'); % 绘制机器人当前位置的航向箭头hold on;                                                     %启动图形保持功能，当前坐标轴和图形都将保持，从此绘制的图形都将添加在这个图形的基础上，并自动调整坐标轴的范围plot(result.x(:,POSE_X),result.x(:,POSE_Y),'-b');hold on;    % 绘制走过的所有位置 所有历史数据的 X、Y坐标plot(goal(1),goal(2),'*r');hold on;                          % 绘制目标位置%plot(obstacle(:,1),obstacle(:,2),'*k');hold on;              % 绘制所有障碍物位置DrawObstacle_plot(obstacle,obstacleR);% 探索轨迹 画出待评价的轨迹if ~isempty(traj) %轨迹非空for it=1:length(traj(:,1))/5    %计算所有轨迹数  traj 每5行数据 表示一条轨迹点ind = 1+(it-1)*5; %第 it 条轨迹对应在traj中的下标 plot(traj(ind,:),traj(ind+1,:),'-g');hold on;  %根据一条轨迹的点串画出轨迹   traj(ind,:) 表示第ind条轨迹的所有x坐标值  traj(ind+1,:)表示第ind条轨迹的所有y坐标值endendaxis(area); %根据area设置当前图形的坐标范围，分别为x轴的最小、最大值，y轴的最小最大值grid on;drawnow;  %刷新屏幕. 当代码执行时间长，需要反复执行plot时，Matlab程序不会马上把图像画到figure上，这时，要想实时看到图像的每一步变化情况，需要使用这个语句。%movcount = movcount+1;%mov(movcount) = getframe(gcf);%  记录动画帧
end
toc  %输出程序运行时间  形式：时间已过 ** 秒。
%movie2avi(mov,'movie.avi');  %录制过程动画 保存为 movie.avi 文件%% 绘制所有障碍物位置   画⚪
% 输入参数：obstacle 所有障碍物的坐标   obstacleR 障碍物的半径
function [] = DrawObstacle_plot(obstacle,obstacleR)
r = obstacleR; 
theta = 0:pi/20:2*pi;
for id=1:length(obstacle(:,1))x = r * cos(theta) + obstacle(id,1); y = r  *sin(theta) + obstacle(id,2);plot(x,y,'-m');hold on; 
end
% plot(obstacle(:,1),obstacle(:,2),'*m');hold on;              % 绘制所有障碍物位置%% DWA算法实现 
% model  机器人运动学模型  最高速度m/s],最高旋转速度[rad/s],加速度[m/ss],旋转加速度[rad/ss], 速度分辨率[m/s],转速分辨率[rad/s]]
% 输入参数：当前状态、模型参数、目标点、评价函数的参数、障碍物位置、障碍物半径
% 返回参数：控制量 u = [v(m/s),w(rad/s)] 和 轨迹集合 N * 31  （N：可用的轨迹数）
% 选取最优参数的物理意义：在局部导航过程中，使得机器人避开障碍物，朝着目标以较快的速度行驶。
function [u,trajDB] = DynamicWindowApproach(x,model,goal,evalParam,ob,R)
% Dynamic Window [vmin,vmax,wmin,wmax] 最小速度 最大速度 最小角速度 最大角速度速度
Vr = CalcDynamicWindow(x,model);  % 根据当前状态 和 运动模型 计算当前的参数允许范围% 评价函数的计算 evalDB N*5  每行一组可用参数 分别为 速度、角速度、航向得分、距离得分、速度得分
%               trajDB      每5行一条轨迹 每条轨迹都有状态x点串组成
[evalDB,trajDB]= Evaluation(x,Vr,goal,ob,R,model,evalParam);  %evalParam 评价函数参数 [heading,dist,velocity,predictDT]if isempty(evalDB)disp('no path to goal!!');u=[0;0];return;
end% 各评价函数正则化
evalDB = NormalizeEval(evalDB);
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% 最终评价函数的计算
feval=[];
for id=1:length(evalDB(:,1))feval = [feval;evalParam(1:3)*evalDB(id,3:5)']; %根据评价函数参数 前三个参数分配的权重 计算每一组可用的路径参数信息的得分
end
evalDB = [evalDB feval]; % [maxv,ind] = max(feval);% 选取评分最高的参数 对应分数返回给 maxv  对应下标返回给 ind
u = evalDB(ind,1:2)';% 返回最优参数的速度、角速度  %% 评价函数 内部负责产生可用轨迹
% 输入参数 ：当前状态、参数允许范围（窗口）、目标点、障碍物位置、障碍物半径、评价函数的参数
% 返回参数：
%           evalDB N*5  每行一组可用参数 分别为 速度、角速度、航向得分、距离得分、速度得分
%           trajDB      每5行一条轨迹 每条轨迹包含 前向预测时间/dt + 1 = 31 个轨迹点（见生成轨迹函数）
function [evalDB,trajDB] = Evaluation(x,Vr,goal,ob,R,model,evalParam)
evalDB = [];
trajDB = [];
for vt = Vr(1):model(5):Vr(2)       %根据速度分辨率遍历所有可用速度： 最小速度和最大速度 之间 速度分辨率 递增 for ot=Vr(3):model(6):Vr(4)     %根据角度分辨率遍历所有可用角速度： 最小角速度和最大角速度 之间 角度分辨率 递增  % 轨迹推测; 得到 xt: 机器人向前运动后的预测位姿; traj: 当前时刻 到 预测时刻之间的轨迹（由轨迹点组成）[xt,traj] = GenerateTrajectory(x,vt,ot,evalParam(4),model);  %evalParam(4),前向模拟时间;% 各评价函数的计算heading = CalcHeadingEval(xt,goal); % 前项预测终点的航向得分  偏差越小分数越高dist    = CalcDistEval(xt,ob,R);    % 前项预测终点 距离最近障碍物的间隙得分 距离越远分数越高vel     = abs(vt);                  % 速度得分 速度越快分越高stopDist = CalcBreakingDist(vel,model); % 制动距离的计算if dist > stopDist % 如果可能撞到最近的障碍物 则舍弃此路径 （到最近障碍物的距离 大于 刹车距离 才取用）evalDB = [evalDB;[vt ot heading dist vel]];trajDB = [trajDB;traj];   % 每5行 一条轨迹  endend
end%% 归一化处理 
% 每一条轨迹的单项得分除以本项所有分数和
function EvalDB=NormalizeEval(EvalDB)
% 评价函数正则化
if sum(EvalDB(:,3))~= 0EvalDB(:,3) = EvalDB(:,3)/sum(EvalDB(:,3));  %矩阵的数除  单列矩阵的每元素分别除以本列所有数据的和
end
if sum(EvalDB(:,4))~= 0EvalDB(:,4) = EvalDB(:,4)/sum(EvalDB(:,4));
end
if sum(EvalDB(:,5))~= 0EvalDB(:,5) = EvalDB(:,5)/sum(EvalDB(:,5));
end%% 单条轨迹生成、轨迹推演函数
% 输入参数： 当前状态、vt当前速度、ot角速度、evaldt 前向模拟时间、机器人模型参数（没用到）
% 返回参数; 
%           x   : 机器人模拟时间内向前运动 预测的终点位姿(状态); 
%           traj: 当前时刻 到 预测时刻之间 过程中的位姿记录（状态记录） 当前模拟的轨迹  
%                  轨迹点的个数为 evaldt / dt + 1 = 3.0 / 0.1 + 1 = 31
%           
function [x,traj] = GenerateTrajectory(x,vt,ot,evaldt,model)
global dt;
time = 0;
u = [vt;ot];% 输入值
traj = x;   % 机器人轨迹
while time <= evaldt   time = time+dt; % 时间更新x = f(x,u);     % 运动更新 前项模拟时间内 速度、角速度恒定traj = [traj x]; % 每一列代表一个轨迹点 一列一列的添加
end%% 计算制动距离 
%根据运动学模型计算制动距离, 也可以考虑成走一段段圆弧的累积 简化可以当一段段小直线的累积
function stopDist = CalcBreakingDist(vel,model)
global dt;
MD_ACC   = 3;% 
stopDist=0;
while vel>0   %给定加速度的条件下 速度减到0所走的距离stopDist = stopDist + vel*dt;% 制动距离的计算 vel = vel - model(MD_ACC)*dt;% 
end%% 障碍物距离评价函数  （机器人在当前轨迹上与最近的障碍物之间的距离，如果没有障碍物则设定一个常数）
% 输入参数：位姿、所有障碍物位置、障碍物半径
% 输出参数：当前预测的轨迹终点的位姿距离所有障碍物中最近的障碍物的距离 如果大于设定的最大值则等于最大值
% 距离障碍物距离越近分数越低
function dist = CalcDistEval(x,ob,R)
dist=100;
for io = 1:length(ob(:,1))  disttmp = norm(ob(io,:)-x(1:2)')-R; %到第io个障碍物的距离if dist > disttmp   % 大于最小值 则选择最小值dist = disttmp;end
end% 障碍物距离评价限定一个最大值，如果不设定，一旦一条轨迹没有障碍物，将太占比重
if dist >= 2*R %最大分数限制dist = 2*R;
end%% heading的评价函数计算
% 输入参数：当前位置、目标位置
% 输出参数：航向参数得分  当前车的航向和相对于目标点的航向 偏离程度越小 分数越高 最大180分
function heading = CalcHeadingEval(x,goal)
theta = toDegree(x(3));% 机器人朝向
goalTheta = toDegree(atan2(goal(2)-x(2),goal(1)-x(1)));% 目标点相对于机器人本身的方位 
if goalTheta > thetatargetTheta = goalTheta-theta;% [deg]
elsetargetTheta = theta-goalTheta;% [deg]
end% heading = 180 - targetTheta;  heading = 90-targetTheta;  %% 计算动态窗口
% 返回 最小速度 最大速度 最小角速度 最大角速度速度
function Vr = CalcDynamicWindow(x,model)V_SPD       = 4;%机器人速度
W_ANGLE_SPD = 5;%机器人角速度 MD_MAX_V = 1;% 
MD_MAX_W = 2;% 
MD_ACC   = 3;% 
MD_VW    = 4;% global dt;
% 车子速度的最大最小范围 依次为：最小速度 最大速度 最小角速度 最大角速度速度
Vs=[0 model(MD_MAX_V) -model(MD_MAX_W) model(MD_MAX_W)];% 根据当前速度以及加速度限制计算的动态窗口  依次为：最小速度 最大速度 最小角速度 最大角速度速度
Vd = [x(V_SPD)-model(MD_ACC)*dt x(V_SPD)+model(MD_ACC)*dt x(W_ANGLE_SPD)-model(MD_VW)*dt x(W_ANGLE_SPD)+model(MD_VW)*dt];% 最终的Dynamic Window
Vtmp = [Vs;Vd];  %2 X 4  每一列依次为：最小速度 最大速度 最小角速度 最大角速度速度
Vr = [max(Vtmp(:,1)) min(Vtmp(:,2)) max(Vtmp(:,3)) min(Vtmp(:,4))];%% Motion Model 根据当前状态推算下一个控制周期（dt）的状态
% u = [vt; wt];当前时刻的速度、角速度 x = 状态[x(m),y(m),yaw(Rad),v(m/s),w(rad/s)]
function x = f(x, u)
global dt;
F = [1 0 0 0 00 1 0 0 00 0 1 0 00 0 0 0 00 0 0 0 0];B = [dt*cos(x(3)) 0dt*sin(x(3)) 00 dt1 00 1];x= F*x+B*u;  %% degree to radian
function radian = toRadian(degree)
radian = degree/180*pi;%% radian to degree
function degree = toDegree(radian)
degree = radian/pi*180;%% END

C++代码

#include <math.h>
#include <iostream>
#include <vector>
//vector sun
#include <numeric>
using namespace std;#define pi 3.1415926
double dt = 0.1;class State
{
public://构造函数，即相关变量初始化，设置了五个无人车变量，初始化全部为0State(){x = 0;y = 0;yaw = 0;v = 0;w = 0;}double x;double y;double yaw;double v;double w;
};
class GTreturn
{
public:std::vector<State> traj;State state;
};
class UU
{
public:UU(){vt = 0;ot = 0;}double vt;double ot;
};class KModel
{
public:KModel(){MD_MAX_V = 1;//最大速度MD_MAX_W = 0.349;//最大角速度MD_ACC = 0.2;//加速度MD_VW = 0.8727;//角加速度MD_V_RESOLUTION = 0.01;//速度分辨率MD_W_RESOLUTION = 0.01745;//角速度分辨率}double MD_MAX_V;//最大速度double MD_MAX_W;//最大角速度double MD_ACC;//加速度double MD_VW;//角加速度double MD_V_RESOLUTION;//速度分辨率double MD_W_RESOLUTION;//角速度分辨率
};class VR
{public:VR(){min_v = 0;max_v = 0;min_w = 0;max_w = 0;}double min_v;double max_v;double min_w;double max_w;};class OB
{
public:OB(){x = 0;y = 0;}double x;double y;
};class EvalDB_cell
{
public:EvalDB_cell(){vt = 0;ot = 0;heading = 0;dist = 0;vel = 0;}double vt;double ot;double heading;double dist;double vel;
};class SumDB
{
public:std::vector<EvalDB_cell> EvalDB;std::vector<State> trajDB;};class DWAreturn
{
public:std::vector<State> trajDB;UU u;};double toDegree(double radian);
double toRadian(double degree);
State f(State state, UU u);
VR CalcDynamicWindow(State state, KModel model);
double CalcHeadingEval(State state, double goal[2]);
double CalcDistEval(State state, std::vector<OB> &obs, double R);
double CalcBreakingDist(double vel, KModel model);
GTreturn GenerateTrajectory(State state, UU u, double evaldt, KModel model);
void NormalizeEval(std::vector<EvalDB_cell> &EvalDB);
SumDB Evaluation(State state, VR vr, double goal[2], std::vector<OB> &obs, double R, KModel model, double evalParam[4]);
DWAreturn DynamicWindowApproach(State state, KModel model, double goal[2], double evalParam[4], std::vector<OB> &obs, double R);
double max(double a, double b);
double min(double a, double b);int main()
{cout << "Dynamic Window Approach sample program start!!" << endl;double evalParam[4] = { 0.05,0.01,0.9,3.0 };State state;state.yaw = pi /4;double goal[2] = { 5,5 };std::vector<OB> obs(2);obs[0].x = 0;obs[0].y = 2;obs[1].x = 2;obs[1].y = 0;double obstacleR = 0.5;KModel model;std::vector<State> result;UU u1;for (int iii = 0;iii < 5000;iii++){DWAreturn dwareturn = DynamicWindowApproach(state, model, goal, evalParam, obs, obstacleR);u1 = dwareturn.u;state = f(state, u1);result.push_back(state);if (sqrt(pow(state.x - goal[0], 2) + pow(state.y - goal[1], 2)) < 0.1){cout << "Arrive Goal" << endl;break;}cout << "第"<<iii<<"s到达的位置为" << "x = " << state.x << " y = " << state.y << endl;}
}//DWAreturn DynamicWindowApproach(State state, KModel model, double goal[2], double evalParam[4], std::vector<OB> &obs, double R)
{DWAreturn dwareturn;VR vr = CalcDynamicWindow(state, model);SumDB DB = Evaluation(state, vr, goal, obs, R, model, evalParam);if (DB.EvalDB.empty()){cout << "no path to goal!" << endl;dwareturn.u.vt = 0;dwareturn.u.ot= 0;return dwareturn;}NormalizeEval(DB.EvalDB);double result1;std::vector<double> feval;for (int id = 0; id < DB.EvalDB.size(); id++){result1 = evalParam[0] * DB.EvalDB[id].heading + evalParam[1] * DB.EvalDB[id].dist + evalParam[2] * DB.EvalDB[id].vel;feval.push_back(result1);}int k = 0;for (int ii = 1;ii < feval.size();ii++){if (feval[ii]>feval[ii-1]){k = ii;}}dwareturn.u.vt = DB.EvalDB[k].vt;dwareturn.u.ot = DB.EvalDB[k].ot;dwareturn.trajDB = DB.trajDB;return dwareturn;}SumDB Evaluation(State state, VR vr, double goal[2], std::vector<OB> &obs, double R, KModel model, double evalParam[4])
{SumDB DB;GTreturn GT;double heading, dist, vel, stopDist;EvalDB_cell evaldb;UU u;for (double vt = vr.min_v;vt < vr.max_v;vt = vt + model.MD_V_RESOLUTION){for (double ot = vr.min_w;ot < vr.max_w;ot = ot + model.MD_W_RESOLUTION){u.vt = vt;u.ot = ot;GT = GenerateTrajectory(state, u, evalParam[3], model);heading = CalcHeadingEval(GT.state, goal);dist = CalcDistEval(GT.state, obs, R);vel = abs(vt);stopDist = CalcBreakingDist(vel, model);if (dist > stopDist){evaldb.vt = vt;evaldb.ot = ot;evaldb.heading = heading;evaldb.dist = dist;evaldb.vel = vel;DB.EvalDB.push_back(evaldb);/*   DB.trajDB.push_back(traj);*/}}}return DB;}void NormalizeEval(std::vector<EvalDB_cell> &EvalDB)
{int n = EvalDB.size();double sum1 = 0, sum2 = 0, sum3 = 0;int i;for (i = 0;i < n;i++) { sum1 = sum1 + EvalDB[i].heading; }for (i = 0;i < n;i++) { EvalDB[i].heading = EvalDB[i].heading / sum1; }for (i = 0;i < n;i++) { sum2 = sum2 + EvalDB[i].dist; }for (i = 0;i < n;i++) { EvalDB[i].dist = EvalDB[i].dist / sum2; }for (i = 0;i < n;i++) { sum3 = sum3 + EvalDB[i].vel; }for (i = 0;i < n;i++) { EvalDB[i].vel = EvalDB[i].vel / sum3; }}GTreturn GenerateTrajectory(State state, UU u, double evaldt, KModel model)
{GTreturn GT;double time = 0;GT.traj.push_back(state);while (time <= evaldt){time = time + dt;state = f(state, u);GT.traj.push_back(state);}GT.state = state;return GT;}double CalcBreakingDist(double vel, KModel model)
{double stopDist = 0;while (vel > 0){stopDist = stopDist + vel * dt;vel = vel - model.MD_ACC * dt;}return stopDist;}double CalcDistEval(State state, std::vector<OB>& obs, double R)
{//Define an upper distance limitdouble dist = 100;for (int io = 0;io < obs.size();io++){double disttmp = sqrt(pow(obs[io].x - state.x, 2) + pow(obs[io].y - state.y, 2)) - R;if (dist > disttmp){dist = disttmp;}}if (dist >= 2 * R){dist = 2 * R;}return dist;
}
double CalcHeadingEval(State state, double goal[2])
{double theta = toDegree(state.yaw);double goalTheta = toDegree(atan2(goal[1] - state.y, goal[0] - state.x));double targetTheta;if (goalTheta > theta){targetTheta = goalTheta - theta;}else{targetTheta = theta - goalTheta;}double heading = 90 - targetTheta;return heading;}VR CalcDynamicWindow(State state, KModel model)
{VR vr;vr.min_v = max(0, state.v - model.MD_ACC * dt);vr.max_v = min(model.MD_MAX_V, state.v + model.MD_ACC * dt);vr.min_w = max(-model.MD_MAX_W, state.w - model.MD_VW * dt);vr.max_w = min(model.MD_MAX_W, state.w + model.MD_VW * dt);return vr;}State f(State state, UU u)
{State state2;state2.x = state.x + u.vt * dt * cos(state.yaw);state2.y = state.y + u.vt * dt * sin(state.yaw);state2.yaw = state.yaw + dt * u.ot;state2.v = u.vt;state2.w = u.ot;return state2;
}double toRadian(double degree)
{double radian = degree / 180 * pi;return radian;}double toDegree(double radian)
{double degree = radian / pi * 180;return degree;}
double max(double a, double b)
{if (a < b) { a = b; };return a;}
double min(double a, double b)
{if (a > b) { a=b; };return a;}