针对传统渐进最优快速随机搜索树(Rapidly Exploring Random Tree Star,RRT^(*))算法在无人车全局路径规划时,由于初始路径生成方式基于随机概率,导致目的性较差,使得初始路径的生成时间过长;在复杂环境下,算法的采样区域过大,增加了额...针对传统渐进最优快速随机搜索树(Rapidly Exploring Random Tree Star,RRT^(*))算法在无人车全局路径规划时,由于初始路径生成方式基于随机概率,导致目的性较差,使得初始路径的生成时间过长;在复杂环境下,算法的采样区域过大,增加了额外计算量,导致算法计算速度较慢的问题,提出了一种基于贪心策略(Greedy Algorithm,GA)和自适应控制采样范围的改进的RRT^(*)算法。在初始路径生成时引入GA,缩短初次路径生成所需的时间,从而缩短算法整体所需的时间;寻到目标点生成首次路径后,加入决策条件限制,将采样点限制在生成树的附近,减少算法的无关计算量。仿真试验结果证明,改进后的算法生成首条路径速度快了约169%,有限次采样后路径缩短了约10%,整体所需时间减少约13%。所提出算法加快了路径生成的速度,减少了寻找目标所需的时间,为后续同类算法的改进提供参考。展开更多
文摘针对传统渐进最优快速随机搜索树(Rapidly Exploring Random Tree Star,RRT^(*))算法在无人车全局路径规划时,由于初始路径生成方式基于随机概率,导致目的性较差,使得初始路径的生成时间过长;在复杂环境下,算法的采样区域过大,增加了额外计算量,导致算法计算速度较慢的问题,提出了一种基于贪心策略(Greedy Algorithm,GA)和自适应控制采样范围的改进的RRT^(*)算法。在初始路径生成时引入GA,缩短初次路径生成所需的时间,从而缩短算法整体所需的时间;寻到目标点生成首次路径后,加入决策条件限制,将采样点限制在生成树的附近,减少算法的无关计算量。仿真试验结果证明,改进后的算法生成首条路径速度快了约169%,有限次采样后路径缩短了约10%,整体所需时间减少约13%。所提出算法加快了路径生成的速度,减少了寻找目标所需的时间,为后续同类算法的改进提供参考。