An Adaptive Rapidly-Exploring Random Tree

Sampling-based planning algorithms play an important role in high degree-of-freedom motion planning(MP)problems,in which rapidly-exploring random tree(RRT)and the faster bidirectional RRT(named RRT-Connect)algorithms have achieved good results in many planning tasks.However,sampling-based methods have the inherent defect of having difficultly in solving planning problems with narrow passages.Therefore,several algorithms have been proposed to overcome these drawbacks.As one of the improved algorithms,Rapidlyexploring random vines(RRV)can achieve better results,but it may perform worse in cluttered environments and has a certain environmental selectivity.In this paper,we present a new improved planning method based on RRT-Connect and RRV,named adaptive RRT-Connect(ARRT-Connect),which deals well with the narrow passage environments while retaining the ability of RRT algorithms to plan paths in other environments.The proposed planner is shown to be adaptable to a variety of environments and can accomplish path planning in a short time.

启发式快速探索随机树的电力杆塔三维航线规划研究

为了完成对电力杆塔运行状态的有效监测与故障诊断,要求无人机规划最优三维航线。文章基于快速探索随机树(rapidly exploring random trees,RRT)算法,提出一种启发策略的无碰撞三维航线规划方法,该方法集成启发式搜索策略进行代价函数设计,加速算法收敛,确保航线最优。在仿真环境与实际场景下的实验结果表明,同传统的RRT与改进的RRT*算法相比,本方法针对电力杆塔所规划的无碰撞三维航线,具有稳定可靠的最短路径长度,能够满足智能监测的应用需求。

Improving path planning efficiency for underwater gravity-aided navigation based on a new depth sorting fast search algorithm

This study focuses on the improvement of path planning efficiency for underwater gravity-aided navigation.Firstly,a Depth Sorting Fast Search(DSFS)algorithm was proposed to improve the planning speed of the Quick Rapidly-exploring Random Trees*(Q-RRT*)algorithm.A cost inequality relationship between an ancestor and its descendants was derived,and the ancestors were filtered accordingly.Secondly,the underwater gravity-aided navigation path planning system was designed based on the DSFS algorithm,taking into account the fitness,safety,and asymptotic optimality of the routes,according to the gravity suitability distribution of the navigation space.Finally,experimental comparisons of the computing performance of the ChooseParent procedure,the Rewire procedure,and the combination of the two procedures for Q-RRT*and DSFS were conducted under the same planning environment and parameter conditions,respectively.The results showed that the computational efficiency of the DSFS algorithm was improved by about 1.2 times compared with the Q-RRT*algorithm while ensuring correct computational results.

基于RRT的无人机动态航路规划算法

针对传统航路规划算法存在速度慢、航路可飞性差、动态调整能力不足的问题,提出一种基于改进快速扩展随机树(Rapidly Exploring Random Tree,RRT)的无人机动态航路规划算法。首先,引入RRT方法进行全局航路规划,同时为加快算法收敛,在随机树待扩展节点的选取上引入目标启发信息,并在新节点生成和添加过程中融入无人机动力学约束,确保生成的航路具有现实可飞性;其次,为了应对突发威胁情况,提出一种动态扩展随机树的方法来对原有随机树进行剪枝和重构,进而快速避开威胁,生成一条安全航路。实验结果表明,相较于传统RRT算法,改进算法的规划速度提升约20%,节点扩展数减少32%,且规划所得航路符合无人机基本动力学约束条件;当面对突发威胁时,其可以快速进行航路动态调整,实现航路重规划。

基于快速扫描随机树方法的路径规划器

介绍了一种基于快速扫描随机树的启发式路径规划方法.该方法以初始点为根节点进行扩展,直至随机树的叶节点中包含了目标点或目标区域中的点为止.引入了KD树并以前一帧规划出的路径为基础进行下一帧的运动规划以缩短规划时间.用该方法可以规划出最优路径或次优路径.

一种双阶段多智能体路径规划算法

多智能体路径规划旨在解决多个智能体在同一工作空间内生成无碰撞路径的问题,是智能体无人化工作的关键支撑技术。基于回溯思想和自适应局部避障策略,提出了一种双阶段多智能体路径规划算法。在全局路径规划阶段,基于回溯思想改进的RRT*(rapidly-exploring random trees star)算法(back tracking rapidly-exploring random trees star,BT-RRT*),减少无效父节点,并确保各智能体生成优化的无碰撞路径。在协作避障阶段,智能体依据自身的任务优先级制定局部避障策略,避开动态障碍物和其他智能体。实验结果表明,该算法可成功寻找较优路径,还可降低避障时间。

一个虚拟人手臂操控的运动规划框架

基于双向扩展的启发式快速扩展随机树(RRT)算法,提出了一种虚拟人手臂操控的运动规划框架。该框架根据是否抓握操控对象,将虚拟人的手臂操控划分为接触和搬运两个阶段,分别采用手臂的前向和逆向运动学两种策略进行规划,保证规划结果快速、可靠。通过实验验证了该方法的有效性。

移动机械臂平台位置优化及运动规划

针对移动机械臂执行任务时移动机械臂的平台位置对机械臂能否完成任务有较大的影响这个问题,研究了平台位置的优化。首先对机械臂的工作空间进行了分析,指出冗余度机械臂对同一个末端点的关节位形不唯一,从而无法度量机械臂的最优运动性能。然后利用机械臂关节自运动,采用可操作度指标向关节梯度方向进行投影,使机械臂的操作能力最大化,从而得到某个末端点的最大操作能力。进而根据得到的工作空间中操作能力分布,定义了相对可操作度指标,并绘制了全局操作能力图,得到了平台相对于目标对象的最佳平台位置。最后利用相对可操作度指标来启发快速搜索随机树(RRT)搜索,使机械臂在完成任务的过程中不断提高操作能力,在达到目标对象时处于最佳位形。对上述方法进行了数值仿真,结果验证了该方法的有效性。

基于改进快速搜索随机树法的机械手路径优化

针对多关节机械手路径优化问题,提出一种改进快速搜索随机树(Rapidly-exploring random trees,RRT)优化算法。利用标准RRT算法规划初始可行路径,根据路径长度与路径安全性计算出该路径代价。在后期搜索树生长过程中,中间目标点并非随机采样,而是选择能使当前路径代价低于其之前路径代价的节点,同时对该节点进行距离检测,避免产生过于密集的节点集。为加快搜索树向未知区域的扩充速度,从最近节点向中间目标点扩充过程中,采用一种贪婪启发式扩充算法:节点以一定步长循环扩充,直至扩充到达目标节点或产生不连通节点。最后对6自由度检修机械手进行路径规划仿真试验,结果表明相对于标准RRT算法,规划路径的质量得到大幅提高。

基于RRT的无人驾驶车辆运动规划算法

现有的RRT(快速搜索随机树)规划算法没有考虑车辆特性,不能很好地应用到车辆的轨迹规划问题,且路径不是最优。针对上述问题,提出了一种简单有效的A-RRT(启发搜索随机树)轨迹规划算法。该算法考虑车身的几何约束,它首先通过建立约束条件筛选新节点位置,保证了车辆在复杂环境中的安全性;其次在特定区域内引入启发式函数建立新的成本函数,有效地减少路径节点数量以及提高运行速度和质量。最后,结合后处理方法以及贝塞尔曲线以生成适合车辆特性的可执行轨迹。通过仿真实验验证了该算法的正确性、鲁棒性和实用性。

针对包含狭窄通道复杂环境的高效RRT路径规划算法

针对RRT算法在狭窄通道等复杂环境产生大量节点和收敛速度慢的问题,提出一种基于多种启发式策略和强化节点机制改进的高效RRT路径规划算法(heuristic node enhancement informed RRT,HNEI-RRT)。该算法首先采取组合启发式采样策略,快速找到初始路径之后在启发式子集内完成采样;同时提出启发式节点拒绝策略,拒绝不满足预设条件的节点参与后续扩展;其次,该算法提出强化节点机制,扩大节点蕴涵的信息,提高节点利用率。在各种障碍物分布和狭窄通道的复杂环境中的仿真结果表明,HNEI-RRT算法的节点数量、收敛时间相比其他五类RRT改进算法更少,验证了该算法能够节省内存花销的同时有效提高收敛速度。

基于均匀概率的目标启发式RRT机械臂路径规划方法

针对多自由度机械臂在三维空间中轨迹规划的高复杂性、安全性和可靠性等问题,基于快速扩展随机树(rapidly-exploring random trees,RRT)算法在高维空间中的概率完备性和计算轻量性等优势,提出了一种基于均匀概率的目标启发式RRT(target heuristic RRT based on uniform probability,PH-RRT)方法.首先,该方法基于均匀概率的分配机制选取概率采样阈值作为节点标准,并与随机采样值进行比较.当随机采样值在设定的阈值范围内时,确定目标点为随机点进行节点扩展.当随机采样值在设定的阈值范围外时,随机生成随机点,在目标重力和随机点重力的目标启发式作用下进行节点扩展.然后,在已规划出的路径的基础上,进一步引入广度优先搜索思想,针对规划出的路径进行优化处理,提高了路径平滑度并减少了路径长度.实验结果表明,该方法能较好地解决传统RRT方法固有的盲目搜索问题,减少路径规划时间和路径长度,提高机械臂的路径规划效率.

改进RRT的二阶段平滑搜索算法

在复杂的环境当中,智能车辆路径规划模块的职能是产生一条合适的路径让智能车路径跟踪模块进行跟踪。在路径规划模块中要考虑两个方面:第一个方面是算法能够快速地搜索出一条安全的路径;第二个方面是算法进行路径规划的同时能够考虑车辆自身模型的约束,即运动学约束限制。然而快速搜索随机树RRT算法进行大范围路径搜索的过程中存在收敛速度较慢、搜索路径曲折角度过大的问题,导致车辆跟随时转弯角度过大、转向不连续,不满足车辆运动学模型。二阶段RRT算法TSRRT(Two-Stage RRT)采用融合最大转向角度的三次Bezier曲线进行上边界曲率优化,使规划路径能够满足车辆运动的转向角度,让车辆在行驶过程中能够以不停车的方式进行连续平稳转向;同时为了加快算法的收敛速度,通过第一阶段的启发式函数采样搜索以及第二阶段Dubins曲线直接连接最终终点和第一阶段搜索终点,能够有效地提高算法的整体搜索效率。通过实验验证,改进的RRT算法TSRRT,相比于传统RRT算法搜索时间减少近43%,路径长度减少近25%,同时提高了路径的平滑性,使已搜索路径曲率能够满足连续,能够让车辆在不停止的情况下连续平稳转弯,以便车辆后续更好地进行路径跟踪。

UAV Online Path Planning Algorithm in a Low Altitude Dangerous Environment

UAV online path-planning in a low altitude dangerous environment with dense obstacles, static threats(STs)and dynamic threats(DTs), is a complicated, dynamic, uncertain and real-time problem. We propose a novel method to solve the problem to get a feasible and safe path. Firstly STs are modeled based on intuitionistic fuzzy set(IFS) to express the uncertainties in STs. The methods for ST assessment and synthesizing are presented. A reachability set(RS) estimator of DT is developed based on rapidly-exploring random tree(RRT) to predict the threat of DT. Secondly a subgoal selector is proposed and integrated into the planning system to decrease the cost of planning, accelerate the path searching and reduce threats on a path. Receding horizon(RH) is introduced to solve the online path planning problem in a dynamic and partially unknown environment. A local path planner is constructed by improving dynamic domain rapidly-exploring random tree(DDRRT) to deal with complex obstacles. RRT* is embedded into the planner to optimize paths. The results of Monte Carlo simulation comparing the traditional methods prove that our algorithm behaves well on online path planning with high successful penetration probability.

Computational Path Planner for Product Assembly in Complex Environments

Assembly path planning is a crucial problem in assembly related design and manufacturing processes. Sampling based motion planning algorithms are used for computational assembly path planning. However, the performance of such algorithms may degrade much in environments with complex product structure, narrow passages or other challenging scenarios. A computational path planner for automatic assembly path planning in complex 3D environments is presented. The global planning process is divided into three phases based on the environment and specific algorithms are proposed and utilized in each phase to solve the challenging issues. A novel ray test based stochastic collision detection method is proposed to evaluate the intersection between two polyhedral objects. This method avoids fake collisions in conventional methods and degrades the geometric constraint when a part has to be removed with surface contact with other parts. A refined history based rapidly-exploring random tree （RRT） algorithm which bias the growth of the tree based on its planning history is proposed and employed in the planning phase where the path is simple but the space is highly constrained. A novel adaptive RRT algorithm is developed for the path planning problem with challenging scenarios and uncertain environment. With extending values assigned on each tree node and extending schemes applied, the tree can adapts its growth to explore complex environments more efficiently. Experiments on the key algorithms are carried out and comparisons are made between the conventional path planning algorithms and the presented ones. The comparing results show that based on the proposed algorithms, the path planner can compute assembly path in challenging complex environments more efficiently and with higher success. This research provides the references to the study of computational assembly path planning under complex environments.

改进RRT算法在机器人路径规划中的应用

为了解决快速搜索随机树(Rapid-exploration Random Tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用KD-Tree算法将待规划空间进行多级分割;其次,在RRT算法的基础上引入变权重的人工势场法,算法的主要作用是实现避开障碍物和启发式搜索;最后,实现对RRT算法的改进。通过对改进的RRT算法进行仿真验证,结果表明:该算法缩短了路径规划的时间,减少采样点数目,使生成的路径更加平滑,更适用于机器人在多障碍物环境中的路径规划。

基于改进RRT的核退役机器人避障方法

核退役机器人工作过程中,传统快速扩展随机树(Rapidly-exploring Random Tree,RRT)路径规划算法缺乏导向性,路径规划效率低,避障能力弱;为此,提出改进RRT路径规划算法,以提高作业效率和准确率。首先,引入目标偏置函数,并提出自适应步长,使RRT路径规划具有导向性,避免陷入局部最优;其次,采用启发式搜索思想,保留优于其父节点的随机搜索点为新节点;最后,修剪路径中的冗余节点,并采用贝塞尔曲线对路径进行平滑处理。在MATLAB平台上进行仿真,结果表明,改进RRT路径规划算法较传统RRT路径规划算法、RRT-connect路径规划算法效率更高,收敛性更强,可以很好地提高核退役机器人的避障能力。

基于AHMRRT的移动机器人路径规划算法

为解决单向快速探索随机树(rapid exploring random tree,RRT)算法路径规划效率低且易陷入局部极小点的问题,提出了一种自适应启发式多快速探索随机树(adaptive heuristic multiple rapid exploring random tree,AHMRRT)路径规划算法.一方面,基于多随机树构建策略的AHMRRT算法可以在起始点、目标点、子目标点生成4棵随机树,同时进行扩展搜索,从而提高路径规划效率;另一方面,通过在单棵随机树生长过程中添加自适应启发式偏置因子,AHMRRT算法可以根据环境中障碍物的情况自适应地改变新节点的生成策略.探索自由空间时,该算法可以在偏置因子的作用下迅速向目标点扩展以提高搜索效率;探索多障碍物空间时,该算法将调用随机采样函数以防止落入局部最优.在仿真实验中,设计了4种环境下AHMRRT算法与随机概率目标快速探索随机树(probability goal RRT,PGRRT)、双向快速探索随机树(bidirectional RRT,BRRT)算法的对比实验,仿真实验结果证明了该算法的可行性和高效性.

基于改进RRT^(*)FN算法的机械臂多场景运动规划

针对固定节点数的渐进最优快速扩展随机树(RRT^(*)FN)算法精度低、对环境缺乏适应性等问题,提出了一种改进RRT^(*)FN的机械臂运动规划算法。在迭代过程中,结合目标偏向随机采样和椭球子集采样的优势,构造新的启发式方法对采样区域进行约束,从而保证搜索路径更优。在扩展节点时,配置树中总节点数的预设值,并通过加权方法对树中叶子节点进行删减,避免了树规模的无限增长。在动态环境下,采用对节点剪枝与连接的启发式重规划方法,有效提高了对动态环境的适应能力。实验结果表明,该算法在规划过程中收敛速度更快,效率更高,具有较强的环境适应性。

基于RRT的动态规避航迹规划算法

传统的快速扩展随机树(RRT)算法具有探索能力强和收敛速度快等显著优点,但是由于算法采用随机采样作为路径搜寻手段,导致RRT算法的规划性能十分不稳定,且在复杂环境下尤为明显。针对这个问题,借鉴启发式算法的思想,提出动态规避算法,通过引入启发式约束采样策略,适当增加算法的指向性,并且使规划的航迹更符合无人机的飞行轨迹,然后采用动态步长规避策略,改善算法的探索和避障能力。再对规划成功的路径进行优化,获得相对平滑的航迹。最后通过MATLAB仿真对比实验对算法进行分析,对比实验的结果表明算法在障碍物密集的区域内,可以有效增强算法的收敛速度和稳定性,可见动态规避算法可以有效改善算法的稳定性,而且还拥有相对优秀的避障性能。