基于RRT^(*)-DR算法的机械臂避障路径规划

为使机械臂在障碍物环境下快速规划较优路径,提出了一种基于动态区域采样的改进RRT^(*)-DR路径规划算法,将整个规划过程分为快速探索路径和优化初始路径两个步骤。首先利用半目标导向扩展快速探索,找到连接起始点和目标点的路径。随后利用动态区域采样方法,始终在当前最优路径的周边范围内采样,优先密化当前最优路径附近的节点树,节省计算资源,使初始路径经过迭代快速向渐进最优路径收敛。同时,提出一种近障碍节点变步长机制,有选择性地缩短靠近障碍节点的扩展步长,可有效减少碰撞检测失败次数,提高算法效率。最后,在MATLAB和ROS系统下进行路径规划算法仿真,结果表明RRT^(*)-DR算法可在更短时间内实现路径规划,同时有效缩小路径代价。进一步通过实体机器人路径规划避障实验,验证了该算法的实用性和有效性。

基于动态变采样区域RRT的无人车路径规划

针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT,DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进而选择采样区域;在此基础上,利用基于安全距离的碰撞检测、概率目标偏置策略和多级步长扩展完成初始路径规划;最后,利用考虑最大转角约束的逆向寻优和3次B样条曲线对初始路径进行拟合优化.仿真结果表明,该算法相较于原始RRT算法在不同地图环境下的搜索时间和采样次数均降低50%以上,大大降低了节点搜索的盲目性和随机性,相较于其他算法搜索时间也减少30%以上,且优化后的路径平滑满足车辆运动动力学约束.

基于改进RRT算法的避障路径规划

针对快速搜索随机树(rapidly-exploring random tree,RRT)算法在避障路径规划中存在的对地图适应性弱、采样质量差、无效节点多、规划时间长及路径质量差等问题,提出了一种改进RRT算法。首先,在传统RRT算法的基础上,基于地图复杂程度评估策略计算得到合适的步长及偏置概率,以实现对不同地图的自适应。然后,通过采样区域动态更新策略,使随机树在有效区域内进行采样,以确保随机树的正向生长;在确定采样区域后,利用采样点优化策略来提高采样点的有效性,使得随机树朝目标点附近生长。最后,采用节点重连策略对规划的初始避障路径进行优化,以获得一条弯折次数较少的避障路径。在Python及MATLAB环境中对改进RRT算法的可行性进行验证。结果表明,在面向复杂程度不同的地图和应用于机械臂时,改进RRT算法均能快速规划出一条无碰撞的高质量路径。研究结果可为提高机器人避障路径的规划效率提供参考。