启发式快速探索随机树的电力杆塔三维航线规划研究

为了完成对电力杆塔运行状态的有效监测与故障诊断,要求无人机规划最优三维航线。文章基于快速探索随机树(rapidly exploring random trees,RRT)算法,提出一种启发策略的无碰撞三维航线规划方法,该方法集成启发式搜索策略进行代价函数设计,加速算法收敛,确保航线最优。在仿真环境与实际场景下的实验结果表明,同传统的RRT与改进的RRT*算法相比,本方法针对电力杆塔所规划的无碰撞三维航线,具有稳定可靠的最短路径长度,能够满足智能监测的应用需求。

基于多目标快速探索随机树的移动机器人巡检路径优化方法

针对移动机器人需要访问多目标的巡检路径规划问题,该文提出一种多目标快速探索随机树路径优化方法。首先,根据提供的环境地图与巡检目标点,该文采用一种RRT-Connect-ACO算法得到目标点的巡检顺序和可行路径;然后,通过引入信息子集,对路径进行优化,得到最终的最优路径。实验结果表明,与现有的多目标路径规划算法相比,该方法考虑了地形的影响,得到的最优路径更符合实际情况。

预规划最优快速探索随机树

移动机器人的路径规划在应急救援、自主开采、仓库管理等各个领域起到了重要的作用。提出一种基于预规划抽样的路径规划方法,对于多障碍物环境下进行路径规划有良好的表现。该算法由预先路径生成过程和路径重规划过程组成。使用最优快速探索随机树(RRT^(*))算法获得初始路径作为先验知识,然后在此基础上通过蚁群算法重新优化规划得出最优路径。相比直接使用RRT^(*)算法路径长度更短,路径平滑度更好。

一种自适应加权快速探索随机树算法

针对快速探索随机树算法在局部极小区域做大量失败探索的问题,提出一种自适应加权快速探索随机树算法。分析影响快速探索随机树生长的关键因素,提出在树探索的动态过程中应充分利用探索过程的反馈信息,为树节点赋予自适应权重。根据树节点的自适应权重大小,选择树的生长点。仿真结果表明,该方法能有效地提高树探索效率,缩短规划路径长度。

基于强化学习的快速探索随机树特殊环境中路径重规划算法

针对移动机器人在未知的特殊环境(如U型、狭窄且不规则通道等)下路径规划效率低问题,本文提出一种强化学习(RL)驱动快速探索随机树(RRT)的局部路径重规划方法(RL-RRT).该方法利用Sarsa(λ)优化RRT的随机树扩展过程,既保持未知环境中RRT的随机探索性,又利用Sarsa(λ)缩减无效区域的探索代价.具体来说,在满足移动机器人运动学模型约束的同时,通过设定扩展节点的回报函数、目标距离函数和平滑度目标函数,缩减无效节点,加速探索过程,从而达到路径规划多目标决策优化的目标.仿真实验中,将本方法用于多种未知的特殊环境,实验结果显示出RL-RRT算法的可行性、有效性及其性能优势.

基于双向快速探索随机树的狭窄通道路径规划

针对移动机器人路径规划过程中基于快速探索随机树(RRT)算法难以对窄道进行采样的问题,提出一种专门用于狭窄通道路径规划的改进桥梁检测算法。首先对环境地图预处理并提取出障碍物边缘节点集合作为桥梁检测算法的采样空间,从而避免了大量无效采样点,并使窄道样本点分布更加合理化;其次改进了桥梁端点的构建过程,提高了桥梁检测算法的运算效率;最后使用一种轻微变异Connect算法快速扩展窄道样本点。对于实验中的窄道环境地图,与原始RRT-Connect算法相比较,所提改进算法的路径探索成功率由68%提高到92%。实验结果表明,该算法能够较好地完成窄道样本点采样并有效地提高路径规划效率。

AGS-RRT算法机械臂避障路径规划研究

为了解决障碍物环境下机械臂路径规划效率提升问题,这里提出了一种AGS-RRT(快速扩展随机树)算法。使用基于圆柱和球面包围盒碰撞检测模型建立机械臂和障碍物之间的碰撞检测机制,得到即时的机械手与障碍物之间最短距离。此外,这里优化了RRT算法的抽样过程,采用改进高斯约束抽样替代随机抽样,使得在采样过程中更接近障碍物之间的通道。该方法可以加速前向搜索速度。在节点扩展方面,采用了人工势场结合自适应步长的新节点约束策略。该方法充分利用了环境和节点信息,快速扩展到目标区域,减少了探索和碰撞区域的过度扩展。针对复杂、多障碍和动态环境下的路径规划平滑问题,这里采用了基于B-Spline曲线的平滑函数,利用笛卡尔空间生成树对局部路径进行重规划,修剪优化后的路径更加平滑。通过仿真实验,验证了AGS-RRT算法的有效性,证明了该方法在提高规划效率的同时具备良好的避障性能。

基于强化学习方法的RRT全局路径规划算法

针对强化学习运用于局部路径规划时目标方向不明确易陷入局部最优的情况以及快速探索随机树(RRT)算法规划路径复杂、冗余点多等问题,提出一种融合RRT算法与强化学习(RL)思想的全局路径规划算法。首先,通过RRT全局路径规划算法弱化、减少强化学习算法易于陷入局部最优的问题,并且在一定程度上可以减少规划迭代时间;其次,采用强化学习算法的最大回报奖励机制强化RRT算法在路径规划过程中选择子节点时的目的性,避免过多随机点。实验结果表明,所提算法有效弱化了局部最优所带来的绕远影响,路径长度缩短33.3,凹、凸地形有效节点占比分别提高36.0%和39.6%,侧面反映冗余点数量减少,验证了该算法的可行性。

果园绿篱修剪机械手路径规划算法研究

为提高规划效率,缩短路径长度,保证绿篱修剪机械手的平稳进行,提出了一种基于引力思想和目标偏移概率的快速搜索随机树算法(a-bRRT^(*)),将目标偏转概率和引力思想引入渐近最优快速搜索随机树RRT^(*)算法中,可以兼顾规划效率和路径长度。比较基于目标偏移概率快速搜索随机树(bias-RRT)、RRT^(*)和a-bRRT^(*)算法,结果表明:在修剪树篱顶面时,a-bRRT^(*)算法较bias-RRT算法的路径长度缩短66.32%,规划时间较RRT^(*)降低44.19%;修剪树篱侧面时,a-bRRT^(*)算法较bias-RRT算法的路径长度缩短67.17%,规划时间比RRT^(*)算法降低73.87%。仿真表明:提出的a-bRRT^(*)算法大幅提高了搜索效率,缩短了路径长度。

考虑地面行人安全的无人机低风险路径规划策略

为了提升无人机点到点作业任务的安全性,本文提出了一种低风险路径规划策略。低风险路径规划策略包括风险评估和路径规划两部分。在风险评估部分,以无人机对地面行人的风险作为评估指标,建立风险值评估模型和风险等级评估模型,以风险图作为结果表征无人机作业的安全程度。在路径规划部分,结合风险评估模型的特有背景和特点,提出了一种改进快速探索随机树*算法,这一算法使用了路径冲突检测和优先探索等策略,可以更加有效的探索到低风险路径。最终,案例分析表明,低风险路径规划策略能有效规划出避开风险较高区域的作业路径,其路径风险代价相比于直线飞行降低了13.16%,其路径规划时间相比于对比算法降低了60.63%和12.20%。因此,这一规划策略具有实用价值,可以提升无人机作业的安全性。

基于改进RRT算法的套管柔性针运动规划

运动规划是运动控制的基础,然而套管柔性针穿刺软组织的运动规划问题面临着巨大的挑战:一方面由于套管柔性针的运动是个非完整约束运动,另一方面要求套管柔性针绕过人体的某些生理结构障碍和敏感组织准确穿刺靶点。基于分析现有运动规划算法存在的不足,提出基于改进的快速探索随机树(RRT)的套管柔性针运动规划算法。提出贪婪启发策略并结合可达引导策略来改进传统RRT算法;引入直线段路径,采用直线、曲线结合的路径形式;同时考虑入射姿态的规划。基于套管柔性针的运动学模型,分别在二维和三维有障碍环境下进行仿真研究。结果表明,所提出的运动规划算法不论是在运算速度和收敛性上还是在路径形式和搜索的鲁棒性上都优于目前普遍采用的运动规划算法。这些优势为将来的实时运动规划奠定基础。最后对规划的路径进行了穿刺实验,结果证明实验路径与规划路径十分吻合,验证了所提出的路径规划算法的正确性和规划路径的可行性。

仿人机器人手臂抓取运动规划广义逆RRT算法

针对高维空间冗余仿人机器人手臂抓取对象运动规划时所面临的目标位形未知、抓取空间受限、位形空间存在大量障碍物等难题,提出了一种广义逆快速探索随机树法(RRT)避碰运动方法。首先,提出分层子维空间运动规划概念模型,建立了仿人机器人上肢手臂运动学和逆运动学模型;其次,提出一种加权最小范数广义逆RRT规划算法;最后,通过计算机三维仿真,采用基于有向包围盒法开发的碰撞检测算法,验证了该算法的有效性。

自适应RRT无人机航路规划算法研究与仿真

在复杂环境的航路规划问题研究中,为了降低无人机的飞行代价,需要在规划耗时和路径质量两方面达到一个较好的均衡。为此,提出动态步长和自适应权重相结合的RRT算法,有效地解决了规划耗时和路径质量的均衡问题,并用三次多项式BSpline对路径进行平滑处理。仿真结果表明,在相同的任务环境中,与交叉PSO相比较,动态步长的自适应RRT算法失败次数减少了4252次,耗时降低了89ms,飞行距离减少了4.247km,且平滑后的路径更加符合无人机实际飞行的需要。

旋转约束的船舶装配拆卸路径规划算法

研究船舶装配拆卸路径规划优化问题,设备在安装维修过程中时会受到各种约束的限制,对快速有效地规划可行的装配拆卸路径一直都是船舶虚拟原型设计中的难点之一。针对装配拆卸路径规划中的旋转约束问题,提出一种基于快速探索随机树(RRT)算法的新的旋转约束路径规划算法。算法针对RRT算法中基于欧拉角的三维空间旋转分量随机采样函数分布不均匀的问题,设计了一种新的欧拉角均匀分布随机采样函数来生成随机位姿点,将欧拉角距离引入到C空间距离度量函数中,对路径中的旋转变化量进行控制,并引导路径规划方向。进行仿真的结果证明,算法能够对高维空间中刚体的旋转范围进行有效控制,具有较高的装配效率。

一种水面无人艇多任务点路径规划方法

为解决多障碍物环境下水面无人艇(unmanned surface vehicle,USV)多任务点路径规划问题,提出一种基于改进的快速探索随机树(rapidly-exploring random tree,RRT)的路径规划算法。在分析USV运动数学模型和经典RRT算法的基础上,将USV的运动数学模型融合到RRT算法中,预报两个任务点之间的路径曲线和距离;针对RRT算法随机性的特点,设计RRT路径优化算法,删除冗余路径点,得到优化路径;最后利用改进遗传算法,确定多任务点的访问顺序,生成多任务点路径,节省USV巡航路径距离。仿真结果证明,在多任务点及多障碍物存在的条件下,该方法能够确定一条合理的路径,具有一定的实际意义。

无碰撞检测RRT^*的移动机器人运动规划方法

快速探索随机树^*(RRT^*)作为一种渐进最优的采样运动规划方法在探索高维空间中具有显著的优势。但RRT^*在执行时需要进行大量的碰撞检测,导致其在复杂环境中收敛速度较慢,效率较低。因此,提出了一种无碰撞检测RRT^*运动规划方法。该方法剔除了RRT^*扩展时的碰撞检测,并在代价函数中增加碰撞风险评估函数,从而影响各个节点对父节点的连接选择。当节点或边与障碍物碰撞时,碰撞风险评估函数将显著增大,促使代价函数值显著增大,同时通过设计路径代价的上限,保证了运动规划的避碰能力。最后,仿真结果表明所提方法的收敛速度比RRT^*提高约40%,且在复杂环境中优势更加明显。同时通过移动机器人真实环境实验测试验证了所提方法实时规划的可行性。

针对包含狭窄通道复杂环境的高效RRT路径规划算法

针对RRT算法在狭窄通道等复杂环境产生大量节点和收敛速度慢的问题,提出一种基于多种启发式策略和强化节点机制改进的高效RRT路径规划算法(heuristic node enhancement informed RRT,HNEI-RRT)。该算法首先采取组合启发式采样策略,快速找到初始路径之后在启发式子集内完成采样;同时提出启发式节点拒绝策略,拒绝不满足预设条件的节点参与后续扩展;其次,该算法提出强化节点机制,扩大节点蕴涵的信息,提高节点利用率。在各种障碍物分布和狭窄通道的复杂环境中的仿真结果表明,HNEI-RRT算法的节点数量、收敛时间相比其他五类RRT改进算法更少,验证了该算法能够节省内存花销的同时有效提高收敛速度。

冗余自由度协作机器人运动规划研究

针对传统快速探索随机树(Rapidly Exploring Random Tree,RRT)路径规划算法在新枝点扩展上缺乏目标性和时间复杂度高的问题,以具有偏置构型的7自由度冗余机器人Rethink Sawyer为研究对象,利用引力势函数,对新枝点的扩展进行调节,提出了具有导向性的变步长双向RRT扩展算法完成协作机器人运动规划。采用阻尼最小二乘Newton-Raphson方法对Sawyer机器人逆运动学进行数值求解。通过机械臂运动学模型和运动规划算法仿真、ROS平台的运动规划实验,验证了改进RRT算法进行路径规划的正确性,在操作过程中有效地避免了与约束框架碰撞,降低了机械臂运动规划的时间复杂度。

基于改进Bi-RRT算法的移动机器人路径规划

针对道路狭窄、障碍物较多等复杂环境下快速探索随机树*(RRT*)算法出现的随机性大、效率低、收敛速度慢和路径曲折等问题,结合一种改进碰撞检测机制的RRT*算法,提出了一种改进Bi-RRT*算法。该算法首先在动态目标区域进行节点采样,缩短算法执行时间;再通过目标偏向策略扩展树节点,降低树生长的随机性;然后采用双向树生长策略,提高算法收敛速度;最后删除路径冗余节点,增加路径平滑度和降低算法对内存的需求。在仿真环境下进行实验,结果表明,改进Bi-RRT*算法降低了算法执行的随机性,减少了算法迭代次数,可以更快收敛到平滑的路径。

基于改进RRT算法的机械臂路径规划

针对快速探索随机树(RRT)路径规划算法缺乏导向性和规划空间增大时算法时间复杂度高的问题,提出一种目标概率偏置与步长控制的改进RRT算法(I-RRT)。I-RRT结合目标概率偏置,以一定概率使采样点偏置为目标点,提高路径规划的导向性,并引入步长控制优化算法,提高运算效率,优化路径。在MATLAB平台建立了算法的仿真实验,结果表明:I-RRT的导向性与算法时间复杂度均优于经典的RRT算法;并在ROS平台上搭建了六自由度机械臂的避障规划与控制实验,实验验证了该算法的有效性。