基于启发式采样算法的二自由度机械臂轨迹规划

针对传统的采样类轨迹规划算法存在随机性、计算效率低等问题,根据机械臂运动学约束,给出关于关节空间的启发式采样轨迹规划算法。采用拉格朗日法建立二自由度机械臂的动力学模型,以角加速度为采样对象,通过积分器采集角速度与角度位移进行转矩的实时检测,结合启发式采样算法,实现给定目标位姿的轨迹自动规划;且对机械臂两关节在不同负载下的运动位置、速度在MATLAB中进行仿真,并与传统的B-spline轨迹规划方法比较。结果表明,启发式采样算法可实现不同负载下给定目标位姿路径的自动规划,且在时效性及路径规划上具有优越性。

启发式RRT算法的AGV路径规划

在实际应用中,B-RRT^*算法规划的路径存在着转折次数多、路线不平滑、路线贴合障碍物和最大转角过大等不符合车辆运动学的问题。为了获得适用于自动导引小车(Automatic Guided Vehicle,AGV)的优化路径,通过使用Reeds-Shepp曲线进行预处理以解决车辆在目标点朝向的问题。此外,提出启发式滑动窗口采样减少B-RRT^*算法随机采样所带来的误差,并将车辆运动学约束加入到重选父节点和重布随机树的过程,使用贝塞尔曲线对所规划的路径进行平滑处理。实验结果表明:在规划相同路径上,改进B-RRT^*算法规划的路径能够有效地解决上述算法存在的最大转角不合理、路径靠近障碍物、路径不平滑和不符合车辆运动学等问题。

改进RRT算法的无人驾驶车辆路径规划研究

针对基础快速扩展随机树(Rapidly-exploring Random Trees,RRT)应用于无人驾驶车辆路径规划时缺乏导向性,收敛速度慢,路径平滑性差及规划结果并非最优解等问题,提出了一种基于RRT的路径规划改进算法。首先,设计了启发式采样策略:提出基于权重分配的目标指向的局部扩展方式,解决了节点盲目扩展的问题,避免了因目标偏向而出现路径陷入局部最小值的情况,并通过设置转角阈值约束节点转角范围,同时采用变步长采样策略,提高了算法局部避障能力;其次,对已得路径进行后处理:提出了节点优化策略,并用B样条曲线进行路径拟合,实现了路径长度的优化并满足平滑性要求,路径末端与目标点采用Reeds-Shepp曲线连接,解决了车辆抵达目标点时的航向问题。最后利用Matlab软件,将改进算法与基础RRT及其衍生算法进行了对比分析,验证了所提算法的有效性和优越性。

改进RRT^(*)FN算法的机器人路径规划

针对传统渐近最优快速扩展随机树算法(RRT)随机性大、收敛精度低以及运行时间长等问题,提出一种改进的Informed-RRT^(*)-FN算法。改进算法在找到初始路径前采用基于贪心思想改进的目标偏置采样策略和随机删除叶子节点策略以降低找到初始路径的时间;找到初始路径后进一步在椭圆子空间中采样,使用基于节点权重的节点删除策略优先删除“无效”节点和动态重连半径的策略以提高收敛精度并保持较低的运行时间。改进算法在3种地图开展了仿真实验,结果表明相较于RRT^(*)-FN、Informed-RRT和Informed-RRT^(*)-FN算法,该算法收敛精度最高,且运行时间最短。该算法进一步在ROS平台开展全局路径规划实验,验证了其可靠性和实用性。

基于方向决策RRT算法的移动机器人路径规划

针对传统拓展随机树(RRT)算法用于路径规划时存在搜索时间长、生成路径非最优、对狭窄通道环境适应性差的问题,提出了基于方向决策的快速扩展随机树路径规划(Orientation-information strategy Rapidly-Exploring Random Tree, OIS-RRT)算法。首先,通过引入基于方向变量的探索式节点,增强扩展节点导向性;其次,采用启发式采样策略,减少了冗余拓展节点;最后,利用三次B样条曲线对路径规划结果进行平滑处理。由对比实验可知,改进算法有利于提升收敛速度并增强算法对于复杂环境的适应能力,避免陷入局部最优。仿真结果表明,改进算法在提高算法效率的同时能够实现更高质量的路径规划。

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。

基于改进RRT^(*)FN算法的机器人路径规划

针对固定节点数的渐近最优快速扩展随机数算法(RRT^(*)FN)精度低、收敛到最优值速度慢等问题,提出一种改进的RRT^(*)FN路径规划算法,并用于解决二维静态环境下的移动机器人全局路径规划问题.首先,改进算法使用与RRT^(*)FN算法相同的均匀采样方法进行路径搜索,当搜索到一条初始路径时,在之后的路径规划中使用启发式采样方法.在之后的每次迭代中,改进算法在椭圆子集采样方法与路径点邻近区域采样方法中随机选择一种作为当前采样方法.然后,当树中的总节点数达到预设值时,对树中的叶子结点采用加权方法进行删除.通过给予采样区域内的叶子结点更高的权重,从而将采样区域外的叶子结点以更高概率删除,得以保留树中的高性能节点,以便提高算法性能.最后,通过仿真实验验证改进算法的有效性.

面向机械臂狭窄空间的快速稳定规划算法

针对机械臂在面对复杂环境尤其是构型空间存在狭长的通道时,传统运动规划算法性能大大下降,规划时间长而且失败率高这些问题,提出了一种面向机械臂狭窄空间的快速稳定规划算法。采用示教路径为启发项,结合非均匀采样和均匀采样,离线生成PRM随机路图,通过在线图搜索查找最终可执行路径。该算法解决了机械臂在遇到狭窄通道时的运动规划问题,通过三个对比实验证明所论算法具有时间快,成功率高和路径质量好等优点。此算法还被应用在2018年12月京东机器人事业部举办的JRC2018全国机器人抓取挑战赛上,并取得全国亚军(第二名)的成绩。