基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树(RRT)算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数(即降低路径曲率和远离障碍物),并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明:优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。

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。

改进双向快速搜索随机树的无人艇路径规划

针对双向快速搜索随机树(bidirectional rapidly-exploring random tree, BI-RRT)算法在全局路径规划时存在搜索效率低、路径拐点较多等问题,提出一种改进BI-RRT的水面无人艇(unmanned surface vehicle, USV)全局路径规划算法。该算法采取了极度贪心的思想、高斯偏置随机点采样方法以及启发式的节点扩展策略,同时对节点扩展和搜索树连接进行角度约束,将生成的路径进行剪枝和3次B样条优化处理。结果表明,相对于改进前,改进的BI-RRT在平均时间、随机采样点和平均路径上分别减少了40.5%、65.0%和24.0%。改进后的算法时间、采样点和搜索树扩展大幅度减少,路径平滑度提高且路径更短。

基于快速扩展随机树的小麦收割机作业路径智能控制方法

小麦收割机作业受农田地形和作物分布、农田尺寸和形状等多种因素的影响,造成小麦收割机的路径智能控制效果不佳,导致收割效率和小麦收割质量相对偏低,提出基于快速扩展随机树的小麦收割机作业路径智能控制方法。从路径的起点到终点都是作业区域点,每个作业区域点收割任务一次完成,不能重复路过两次,所有作业区域点收割任务不能超过收割机预算时间为约束,建立了小麦收割机作业路径控制数学模型。将小麦收割机在待收割小麦农田中开始收割起始点作为扩展树的根节点,让小麦收割机从根节点出发,随机扩展选取小麦收割机的下一个可移动位置,对构建目标函数进行寻优。通过在整个自由空间生成一棵扩展随机树的方法,控制小麦收割机在最优可行路径上。测试结果表明,所提路径控制方法综合考虑了单位面积油耗和收割效率,能够在同样时间内完成更多的收割作业,具有更高的收割效率和小麦收割质量,提高了作业效率和生产能力。

基于自适应步长快速搜索随机树算法的船舶避碰路径规划

快速搜索随机树算法被广泛应用于船舶避碰路径规划。针对传统快速搜索随机树算法在复杂水域条件下搜索效率低的问题,提出了基于自适应步长快速搜索随机树算法的船舶避碰路径规划模型。首先,引入船舶领域模型,并基于《国际海上避碰规则》为让路船设置虚拟障碍。其次,引入时间序列并建立动态障碍检测机制。采用启发式采样策略,减少无效节点的生成。最后,建立障碍物密集度与搜索步长的映射关系,以上一步采样步长作为已知条件预测当前步采样步长,并利用采样点周围障碍物密集程度修正当前最优的采样步长。仿真试验结果表明,相较于传统的快速搜索随机树算法,采用自适应步长快速搜索随机树算法的船舶避碰路径规划模型在采样成功率、搜索路径耗时、路径段数和路径总长度等四个方面均表现最优,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。

基于快速扩展随机树的7R机械臂避障达点运动规划

基于单树随机树搜索算法(Single directional rapidly-exploring random tree,single-RRT)和双树随机树搜索算法(Bi-directional rapidly-exploring random tree,bi-RRT),对7R机械臂的避障达点运动规划展开系统研究。基于single-RRT算法进行避障达点运动的数值仿真和实物样机试验。提出一种新的bi-RRT算法,结合末端姿态调整和关节自运动来生成目标树。并利用7R机械臂的解析逆解,生成目标位形。传统的bi-RRT算法只给定了一个目标位形,而新算法中目标点树根是由一群目标位形组成。在给定的障碍物环境中,机器人自动选择某一合适的位形作为目标节点来引导搜索树最有效地生长。通过数值仿真,验证该方法的优越性。利用Matlab和C++的混合编程和OpenGL开发了7R机械臂避障达点运动规划仿真软件。利用该软件,对基于bi-RRT的7R机械臂避障达点运动规划进行虚拟样机的试验研究。

基于快速扫描随机树方法的路径规划器

介绍了一种基于快速扫描随机树的启发式路径规划方法.该方法以初始点为根节点进行扩展,直至随机树的叶节点中包含了目标点或目标区域中的点为止.引入了KD树并以前一帧规划出的路径为基础进行下一帧的运动规划以缩短规划时间.用该方法可以规划出最优路径或次优路径.

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。

基于栅格法的机器人路径规划快速搜索随机树算法

针对复杂环境下的机器人路径规划问题,提出了一种全新的基于栅格法的机器人路径规划快速搜索随机树算法.以机器人出发点为随机树的根节点,通过扩展,逐渐增加叶节点直至随机树的叶节点中包含了目标点.从出发点到目标点之间的一条以随机树的边组成的路径就是目标路径.研究表明在同样的环境下与遗传算法、A*算法相比该方法能在更短的时间内找到更优的路径.仿真实验也表明,即使在随机生成的复杂环境下,利用该算法也可以快速规划出一条全局优化路径,且能安全避障.

基于改进快速扩展随机树方法的隐身无人机突防航迹规划

针对隐身无人机在日趋严密的雷达防御系统下的生存问题,提出了基于改进快速扩展随机树的隐身突防航迹规划方法.本文首先对隐身突防航迹规划中无人机的动态雷达散射截面积和雷达的发现准则这两个关键问题进行了分析和建模,然后针对现有算法在解决隐身飞机航迹规划问题时的不足,设计了改进快速扩展随机树算法,将无人机的雷达散射截面积随姿态变化的情况考虑到新节点生成中,并且结合滚动时域策略计算时域范围内所有节点的瞬时发现概率均值,以判断新节点可行性.仿真结果和对比研究表明,算法的改进策略能够处理隐身突防航迹规划的两个特性,并且可在复杂环境下快速生成更优的突防路径.

改进的快速扩展随机树在航迹规划中的应用

通过在快速扩展随机树(rapidly-exploring random tree)算法的基础上融入状态-时间空间(state-timespace)的思想,使改进后的算法能够有效地处理动态环境中的航迹规划问题。仿真试验首先采用四元素法建立航天飞行器的六自由度动力学模型,在三维空间中验证该算法搜索高维空间的能力。其次运用改进的算法在动态环境中进行航迹规划试验,证明了该算法的有效性。

改进的快速探索随机树双足机器人路径规划算法

针对快速探索随机树(RRT)算法进行路径规划时随机性大且未考虑移动代价的问题,提出了任意时间快速探索随机树算法。生成一组快速探索随机树,之后每个树都重新使用上个树的信息来不断改进树的延伸。为进一步优化算法,使用节点缓存来生成一个引力函数来减少移动代价。最终的算法能够快速地生成初始路径,在规划时间内不断地改进路径且通过使用阈值来确保后面路径都比上次的移动代价更小。双足机器人仿真实验中,改进后的算法与初始的算法相比,搜索的节点数由883减少到704,效率提高了近25%。实验结果表明了改进算法的有效性。

基于启发式的快速扩展随机树路径规划算法

针对基于随机采样的路径规划缺乏确定性的问题,提出一种具有启发式的多自由度机器人路径规划算法。该算法在快速扩展随机树算法的基础上,引入了启发式估价函数,使扩展随机树有利于朝目标点方向进行生长。仿真结果表明。提高了复杂环境下机器人路径规划的效率,保证了规划的路径接近于最短路径,对同一任务的规划具有一定的可重复性。

机器人路径规划的快速扩展随机树算法综述

路径规划是移动机器人的重要研究内容。快速扩展随机树(Rapidly-Exploring Random Tree,RRT)算法因在机器人路径规划中的成功应用,自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法,相对传统路径规划算法,具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质,并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后,展望了算法未来的研究方向与挑战。

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.

基于改进快速扩展随机树的机械臂路径规划

针对机械臂路径规划问题,提出一种基于改进RRT算法的路径规划方法。改进RRT结合了目标偏置策略和贪婪生长策略的优点,在随机采样时,以一定概率使采样点偏置为目标节点,降低随机采样的盲目性,在目标节点方向上采用贪婪式扩展策略,增加随机树局部方向上的生长速度。RRT法规划路径结果并非最优,提出改进GPP法删除多余路径节点,优化机械臂运动路径。通过与Biased-RRT和Greedy-RRT数值仿真结果对比,证明了改进RRT在计算时间、迭代次数、扩展节点数上均优于以上方法。在机械臂两种典型工作环境中的仿真结果表明,使用该方法可以较好解决排爆机械臂避障路径规划问题。

基于快速扩展随机树的工程机械路径规划研究

针对复杂作业环境下的工程机械路径规划问题,提出了一种基于快速扩展随机树的路径规划方法。首先分别对路径规划的目的、约束条件、任务环境建模、路径表述方法以及针对机械本体大小的障碍物膨化方法进行了分析论述,进而介绍了RRT算法的基本原理,并给出了基于RRT的路径规划算法步骤,最后通过仿真试验验证了所提方法的有效性和先进性。

基于改进快速搜索随机树法的机械手路径优化

针对多关节机械手路径优化问题,提出一种改进快速搜索随机树(Rapidly-exploring random trees,RRT)优化算法。利用标准RRT算法规划初始可行路径,根据路径长度与路径安全性计算出该路径代价。在后期搜索树生长过程中,中间目标点并非随机采样,而是选择能使当前路径代价低于其之前路径代价的节点,同时对该节点进行距离检测,避免产生过于密集的节点集。为加快搜索树向未知区域的扩充速度,从最近节点向中间目标点扩充过程中,采用一种贪婪启发式扩充算法:节点以一定步长循环扩充,直至扩充到达目标节点或产生不连通节点。最后对6自由度检修机械手进行路径规划仿真试验,结果表明相对于标准RRT算法,规划路径的质量得到大幅提高。