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...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。展开更多
文摘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。