基于GB-APFB-RRT^(*)算法的机械臂路径规划

针对传统机械臂路径规划快速扩展随机树(RRT)算法存在探索能力弱,导向性差,收敛速度慢,耗时长等问题,提出了一种基于人工势场引导的概率偏置双向最优RRT算法(GB-APFB-RRT^(*))。首先,起末点同时生成双树进行路径搜索,利用目标概率偏置阈值初步确定采样点扩展的方向,再重选父节点重布线,使每次迭代点都为路径代价最小;其次,在新节点的生长方式上引入人工势场思想,控制新节点的生长方式靠近目标点区域并且避开障碍物;最后,对规划路径进行剪枝处理,删除冗余点,利用三次B样条曲线进行路径平滑拟合,使得机械臂运动更加平稳。通过与RRT、B-RRT^(*)、APF-RRT算法进行了对比,结果表明所提算法的搜索效率平均提升了95%,迭代次数平均减少了98%,节点数平均缩小了32%,路径长度平均缩短了20%,说明了所提算法对环境的适应性更强,路径搜索效率更高,验证了该算法的有效性和高效性。