基于最小snap的机器人自主探索路径规划算法

基于最大化信息增益的自主探索路径规划算法在小规模场景下探索效率高,但是由于其缺乏全局性在复杂场景中探索效率差,并且探索轨迹不平滑,机器人无法直接追踪.通过分层思想将路径规划分为全局与局部两部分,使用全局规划结果引导局部探索规划,保证了局部探索与全局探索的一致性.基于观察点选择过程中的子模性,提出引入随机性的观察点选择算法,保证了观察点选择的鲁棒性.将路径规划问题分解为观察点访问顺序选择和轨迹平滑问题,通过求解旅行商问题确定访问顺序,通过最小snap方法平滑探索轨迹,实现了高效的自主探索路径规划算法.仿真实验结果表明,基于最小snap的探索路径规划算法在复杂场景中的探索效率相比其他算法更高,并拥有良好的算法复杂度,可以保证机器人自主探索复杂场景.