基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法

针对带启发式的快速扩展随机树(RRT-Connect)算法路径生成的随机性以及渐进最优的双向快速扩展随机树(B-RRT~*)算法收敛速度的缓慢性,提出了一种基于B-RRT~*改进的高效路径规划算法(EB-RRT~*)。首先引入一种智能采样函数,使随机树的扩展更具方向性,从而减少寻路时间,并提高路径的平滑性;其次在B-RRT~*算法的基础上,在EB-RRT~*算法中加入了一种快速扩展策略,使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展,而在障碍物空间则使用改进的渐进最优的快速扩展随机树(RRT~*)算法进行扩展,在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT~*算法分别与快速扩展随机树(RRT)、RRT-Connect、RRT~*和B-RRT~*算法进行仿真对比,仿真结果表明,改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法;且相对于B-RRT~*算法,其在路径规划时间上降低了68.3%,在迭代次数上减少了48.6%。

自重构机器人重构运动规划策略研究

通过自重构机器人模块间的连接、断开和运动顺序规划,由风车形晶胞群组成的机器人构形具备通过重构实现质心变化的功能.此种运动方式与特定构形的整体协调运动存在本质区别,为了实现质心的改变,当设计运动规划策略时需要综合考虑机器人的运动路径及模块间的连接、断开和运动顺序.针对运动平面内存在障碍物这一情况,采用启发快速扩展随机树搜索方法对由风车形晶胞群组成的机器人构形的运动路径进行了规划.机器人的每一步运动利用内置的固定运动序列库实现.实验证明了启发快速扩展随机树搜索方法的高效性及可行性.