为了提高菠萝收获的机械化和自动化水平,该研究采用改进RRT*(Rapidly-exploring Random Trees Star)算法进行菠萝采收机全局作业路径规划。首先引入自启发式思想约束采样点的生成,借鉴人工势场引入方向权重对新节点拓展方向进行约束,同...为了提高菠萝收获的机械化和自动化水平,该研究采用改进RRT*(Rapidly-exploring Random Trees Star)算法进行菠萝采收机全局作业路径规划。首先引入自启发式思想约束采样点的生成,借鉴人工势场引入方向权重对新节点拓展方向进行约束,同时计算合适的权重取值范围,采用双向拓展加快迭代速度,然后利用贪心算法修剪路径冗余节点,并利用Cantmull-Rom插值函数对路径进行平滑处理。根据农田道路情况创建多障碍物、迷宫和狭窄通道3种仿真环境,分别对RRT*算法、双向RRT*算法和改进后RRT*算法的性能进行测试。试验结果表明:3种环境下,本文算法的平均收敛时间是RRT*算法的18%,是双向RRT*算法的46.12%,平均规划速度是RRT*算法的5.7倍,是双向RRT*算法的2.3倍左右,平均拓展节点数量比RRT*算法减少87.23%,比双向RRT*算法减少52.52%,平均路径长度比RRT*算法减少3.81%,比双向RRT*算法减少6.08%。田间试验结果表明:本文算法的规划时间仅为RRT*算法的14.12%,为双向RRT*的20.34%,迭代次数比RRT*算法减少80.89%,比双向RRT*减少69.70%。另外,RRT*和双向RRT*算法规划路径上大于60°的转角分别是本文算法的1.56和2.06倍,大于100°的转角分别是本文算法的1.55和2.18倍,本文算法规划的路径更平滑。研究结果可为菠萝采收机导航提供参考。展开更多
文摘为了提高菠萝收获的机械化和自动化水平,该研究采用改进RRT*(Rapidly-exploring Random Trees Star)算法进行菠萝采收机全局作业路径规划。首先引入自启发式思想约束采样点的生成,借鉴人工势场引入方向权重对新节点拓展方向进行约束,同时计算合适的权重取值范围,采用双向拓展加快迭代速度,然后利用贪心算法修剪路径冗余节点,并利用Cantmull-Rom插值函数对路径进行平滑处理。根据农田道路情况创建多障碍物、迷宫和狭窄通道3种仿真环境,分别对RRT*算法、双向RRT*算法和改进后RRT*算法的性能进行测试。试验结果表明:3种环境下,本文算法的平均收敛时间是RRT*算法的18%,是双向RRT*算法的46.12%,平均规划速度是RRT*算法的5.7倍,是双向RRT*算法的2.3倍左右,平均拓展节点数量比RRT*算法减少87.23%,比双向RRT*算法减少52.52%,平均路径长度比RRT*算法减少3.81%,比双向RRT*算法减少6.08%。田间试验结果表明:本文算法的规划时间仅为RRT*算法的14.12%,为双向RRT*的20.34%,迭代次数比RRT*算法减少80.89%,比双向RRT*减少69.70%。另外,RRT*和双向RRT*算法规划路径上大于60°的转角分别是本文算法的1.56和2.06倍,大于100°的转角分别是本文算法的1.55和2.18倍,本文算法规划的路径更平滑。研究结果可为菠萝采收机导航提供参考。