针对快速随机树(Rapidly-exploring Random Trees,RRT)算法在复杂环境下规划效率低的问题,提出一种基于RRT的机械臂路径规划改进算法。首先,在初始采样时应用角度约束采样策略限制采样区域,提升采样质量。然后,在扩展节点时融合人工势...针对快速随机树(Rapidly-exploring Random Trees,RRT)算法在复杂环境下规划效率低的问题,提出一种基于RRT的机械臂路径规划改进算法。首先,在初始采样时应用角度约束采样策略限制采样区域,提升采样质量。然后,在扩展节点时融合人工势场法的思想,设定动态步长加快算法的收敛,提升算法在障碍物空间的探索效率,当算法陷入局部极小值时,采用节点拒绝策略快速脱离。最后,将规划路径进行简化处理,并利用B样条曲线平滑拐点提高路径质量。仿真结果表明,改进算法相比传统RRT算法,扩展更具导向性,收敛速度更快,可以有效避免局部极小值。展开更多
文摘针对快速随机树(Rapidly-exploring Random Trees,RRT)算法在复杂环境下规划效率低的问题,提出一种基于RRT的机械臂路径规划改进算法。首先,在初始采样时应用角度约束采样策略限制采样区域,提升采样质量。然后,在扩展节点时融合人工势场法的思想,设定动态步长加快算法的收敛,提升算法在障碍物空间的探索效率,当算法陷入局部极小值时,采用节点拒绝策略快速脱离。最后,将规划路径进行简化处理,并利用B样条曲线平滑拐点提高路径质量。仿真结果表明,改进算法相比传统RRT算法,扩展更具导向性,收敛速度更快,可以有效避免局部极小值。