基于GPF-RRT*的机械臂自主运动规划

为解决融合引力函数的渐进最优快速扩展随机树(P-RRT*)算法在非结构化环境下搜索效率低、适应性差等问题,进一步提高机械臂自主运动规划能力,提出一种基于高斯势场(GPF)自适应的改进RRT*算法(GPF-RRT*)。首先,利用状态感知网络完成非结构化环境感知。其次,利用优化后的采样点选取策略提高采样效率,通过GPF构建力势场改进节点搜索方向及步长,进而提高算法在复杂环境下的避障路径规划能力,并结合可操作度和最小能量指标完成机械臂的姿态优化。最后,基于GPF-RRT*算法在不同环境下进行实验,与P-RRT*算法在搜索效率、路径长度、稳定性3个方面进行对比。结果表明,所提算法的平均搜索效率提高了38.06%,平均路径长度缩短了46.6 mm,在多种环境下均具有较强稳定性,且能有效避免局部极小问题。另外,通过机械臂自主抓取操作进一步验证了算法的有效性。