融合RRT^(*)与DWA算法的移动机器人动态路径规划

为实现移动机器人在复杂动态障碍物环境中的避障,提出一种改进的快速随机扩展树(rapidly-exploring random tree,RRT^(*))与动态窗口法(dynamic window approach,DWA)相融合的动态路径规划方法。基于已知环境信息,利用改进RRT^(*)算法生成全局最优安全路径。通过消除RRT^(*)算法产生的危险节点,来确保全局路径的安全性;使用贪婪算法去除路径中的冗余节点,以缩短全局路径的长度。利用DWA算法跟踪改进RRT^(*)算法规划的最优路径。当全局路径上出现静态障碍物时,通过二次调整DWA算法评价函数的权重来避开障碍物并及时回归原路线;当环境中出现移动障碍物时,通过提前检测危险距离并转向加速的方式安全驶离该区域。仿真结果表明:该算法在复杂动态环境中运行时间短、路径成本小,与障碍物始终保持安全距离,确保在安全避开动态障碍物的同时,跟踪最优路径。

基于改进RRT^(*)算法的超冗余度机器人末端避障路径规划

针对超冗余度机器人路径跟随运动,研究了末端避障路径规划方法,在障碍物建模方面,对超冗余度机器人关节结构及路径跟随运动状态进行分析,引入路径约束,并对障碍物进行膨胀化处理;在路径规划层面上,对传统RRT^(*)算法进行了优化,采用改进路径生成方式、引入转角约束、碰撞后调整等策略,改进了传统RRT^(*)算法随机路径转角大、路径复杂等缺点,并在MATLAB中进行了试验验证。结果表明,与传统RRT^(*)算法所规划的路径相比,该方法能够有效缩短路径长度,减少节点数量,提升路径规划的质量。

基于改进RRT^(*)算法的六轴机器人苹果采摘路径规划

为了提高机器人工作效率,保证苹果的及时采摘,机器人需要具备极高的路径规划速度和采摘效率。针对六轴机械臂的特点,提出了一种基于改进RRT^(*)算法的六轴机器人苹果采摘路径规划算法。本算法可以实时规划路径,减少六轴机器人在采摘果蔬过程中的路径规划时间,提高采摘效率;通过优化采摘路径降低六轴机器人的碰撞危险度;通过平滑路径规划算法,避免六轴机器人在运动到折线的拐点处出现抖动现象,提高实时操作性;通过优化六轴机器人采摘角度,避免在奇异点和自碰撞点抖动和碰撞。试验结果证明改进后的路径规划可以提高机器人的工作效率,降低碰撞危险度。

基于改进RRT^(*)-Connect算法的机械臂多场景运动规划

针对RRT^(*)-Connect算法在机械臂运动规划过程中存在效率低、精度差等问题,本文提出一种基于自适应步长的启发式RRT^(*)-Connect机械臂运动规划算法。引入目标偏向策略进行椭球子集约束采样,使采样点能够更快地收敛到最优值。在扩展节点时,设计一种自适应步长策略以减少算法的迭代次数,并有效缩短规划路径的长度。当搜索树中总节点数大于预设阈值时,通过搜索树优化剪枝方法对搜索树进行剪枝,删除无效的采样点,进一步降低运行时间。为了验证本文算法的优势,在多种规划场景下分别与RRT^(*)、RRT^(*)-Connect、IRRT^(*)算法进行了Matlab仿真对比。仿真结果表明,本文算法在规划过程中收敛速度更快,精度和效率更高。为了验证本文算法的实用性,构造了不同障碍物实验场景,在Sawyer机械臂实验平台进行实验验证。实验结果表明,本文算法在不同障碍环境下具有较强的适应能力。

基于改进双向RRT^(*)算法的机械臂路径规划

针对传统双向改进快速扩展随机树(RRT^(*))算法采样速度较慢以及产生路径较粗糙的问题,对6轴机械臂的运动规划进行分析,提出了一种基于目标采样和局部路径优化改进的双向RRT^(*)算法。首先,应用目标采样思想,在对扩展点进行筛选时,考虑随机扩展点与目标点的距离,保留距离目标点最近的随机搜索点;然后,对该搜索点进行扩展,减少不必要区域的搜索,使采样更加高效,搜索路径更优;最后,在此基础上,结合局部路径优化算法,对RRT^(*)算法中重布线随机树过程引入优化函数概念,计算两个节点之间最小距离所需节点,并连接该节点以降低路径曲折程度。将所提改进算法与原始双向RRT^(*)算法在不同测试环境下用机器人操作系统(ROS)进行仿真实验,实验结果表明,所提算法能有效优化算法规划路径,并提高规划效率。

基于改进RRT^(*)与行驶轨迹优化的智能汽车运动规划

针对传统快速扩展随机树算法(Rapidly-exploring random tree,RRT)搜索较慢、规划路径曲折、平顺性差等问题,提出了一种结合改进RRT^(*)与贝塞尔曲线控制点优化的智能车辆运动规划方法.该方法通过在给定概率分布下采样,结合基于方向相似性的多步扩展与路径简化,使用贝塞尔曲线拟合生成规划问题初始解,最后使用序列二次规划优化曲线控制点,从而在动态障碍物环境中生成兼具安全性与驾驶舒适性的车辆行驶轨迹.在仿真实验中将本文算法与常规RRT及曲线拟合方法进行了比较,结果显示本文算法在搜索速度、平顺性、安全性等方面有较大提升.

改进BIT^(*)与DWA算法的动态路径规划

传统批通知树(batch informed trees,BIT^(*))算法结合了RRT^(*)算法和A*算法的优势,但是该算法在复杂环境下无法躲避未知的动态障碍物,无法完成动态路径规划。针对该问题,提出了一种将改进的BIT^(*)算法和改进的DWA算法相融合的算法。在传统BIT^(*)算法的基础上对路径进行拉伸优化,提取关键转折点,减少路径长度;对传统DWA算法的距离评价函数进行改进、引入轨迹点评价函数,避免局部规划过分偏离,也减少了已知障碍物对路径的影响;将改进的BIT^(*)算法与改进的DWA算法相融合,将提取的关键转折点作为DWA的中间目标点,弥补全局规划算法无法躲避动态障碍物的缺点以及局部规划算法全局能力低下的缺点。在动静态地图中对RRT^(*)算法、BIT^(*)算法、DWA算法、改进BIT^(*)算法以及融合算法进行仿真实验,仿真结果表明:在复杂环境中,改进的BIT^(*)算法具有更短的路径和更少的拐点;与传统的DWA算法相比,融合算法规划的路线更平滑,机器人既能实时动态避障抵达终点,又能更加贴近全局路径,保证路线全局最优。

基于贪心策略改进RRT^(*)算法机械臂路径规划

RRT^(*)(rapidly-exploring random tree star)算法是机械臂路径规划中的一个重要工具,但在高维空间内的应用表现存在搜索效率低下、对维数的敏感度高、难以快速收敛至优化路径等问题。此外机械臂避障的规划需要考虑到路径的平滑性,但是算法生成的路径往往缺乏所需的平滑性,难以直接应用于实际的机械臂操作。针对这些问题,研究提出了一个基于贪心策略的RRT^(*)算法改进版本。新算法改进了代价函数和重连策略,并在高维搜索环境中,通过贪心算法进行偏执采样,自适应地选取预设路径节点,从而提高搜索效率,增强轨迹的平滑性并进行直接应用。通过Matlab、ROS仿真和机械臂实际应用避障实验,验证了改进的RRT^(*)算法在三维空间中的高效性和优越性,尤其是在搜索效率与路径平滑性等方面。