基于最小snap的机器人自主探索路径规划算法

基于最大化信息增益的自主探索路径规划算法在小规模场景下探索效率高,但是由于其缺乏全局性在复杂场景中探索效率差,并且探索轨迹不平滑,机器人无法直接追踪.通过分层思想将路径规划分为全局与局部两部分,使用全局规划结果引导局部探索规划,保证了局部探索与全局探索的一致性.基于观察点选择过程中的子模性,提出引入随机性的观察点选择算法,保证了观察点选择的鲁棒性.将路径规划问题分解为观察点访问顺序选择和轨迹平滑问题,通过求解旅行商问题确定访问顺序,通过最小snap方法平滑探索轨迹,实现了高效的自主探索路径规划算法.仿真实验结果表明,基于最小snap的探索路径规划算法在复杂场景中的探索效率相比其他算法更高,并拥有良好的算法复杂度,可以保证机器人自主探索复杂场景.

基于最小Snap的UUV轨迹优化方法

为了解决无人水下航行器(UUV)多项式轨迹大幅偏移原直线路径的问题,保证其能平稳且安全地通过障碍物区域,提出了一种基于7阶最小Snap的UUV多项式轨迹优化方法。首先在A*算法生成的初始路径基础上,根据预瞄线原理选取轨迹优化的参考点,然后拟合2种不同等式约束下的最小Snap轨迹,并且在具有连续约束的轨迹中增加中间平衡点进行偏移优化,同时设定评估指标来评价优化前后的偏移程度,最后在构建的障碍物环境中进行仿真试验,得到在时间一致约束下的3种不同轨迹。仿真结果表明,0约束下的轨迹虽然具有无碰撞保证,但是依然为折线轨迹,具有连续约束的轨迹虽然较平滑,但存在较大偏移,优化后的方法可以生成一条平滑且偏移量更小的轨迹。

基于改进最小化SNAP的植保无人机作业轨迹优化算法

轨迹优化是实现植保无人机自主作业路径规划的重要环节,合理高效的轨迹优化算法能使植保无人机安全快速地跟踪轨迹作业,提升作业稳定性与精准性。针对传统最小化SNAP算法偏移误差较大、时间分配不合理的问题,该研究提出一种针对植保作业场景的改进最小化SNAP轨迹优化算法。首先,运用机载载波相位差分(real-time kinematic,RTK)模块采集作业地块地形数据并搭建三维空间地图,基于空间地图采用牛耕法规划初始作业路径;其次,通过改进最小化SNAP算法优化作业路径,结合初始轨迹状态参量构建时间分配函数,解算得到当前最优时间分配;然后,重构最小化SNAP轨迹约束函数,添加位置偏移量梯度惩罚因子,采用最优化方法求解轨迹多项式系数;最后,联合无人机位置控制周期与轨迹多项式实例化航迹点,作为无人机运动的位置期望。试验结果表明,相较于传统最小化SNAP算法,本文算法在同等作业时间前提下,平均加速度减小7.82%,平均偏移误差减小45.56%,对轨迹偏移的抑制效果明显,并降低了加速度在地头转向处的超调,作业轨迹更加精准,作业速度更加平稳,可为植保无人机的轨迹优化策略提供参考。

基于最小化snap方法的无人机多项式轨迹优化

在港口环境中无人机对岸桥进行自主检测时,由于无人机的运动特性,飞行轨迹与检测点之间的直线路径往往存在较大的偏离。为了解决这个问题,首先通过构建等腰三角形对生成的检测路径点进行预处理,然后在最小化snap方法的基础上,把走廊约束作为不等式约束添加到优化的目标函数中,同时建立偏离评估函数对偏离距离进行评估。在含有一台岸桥简化模型的仿真环境中进行实验,实验数据证明提出的方法不仅在生成轨迹的长度上有了一定的优化,同时在平均偏离距离上比改进前减少了88.7%,同时通过分析得到生成的轨迹可以很好地被无人机跟踪。由此可得,在仿真环境中,提出的方法可以为无人机在轨迹优化过程中生成一条质量更高的轨迹。

移动机器人最小化snap与A^(*)的联合轨迹优化

针对A^(*)算法所规划路径转角大、折线多且平滑性差的问题,提出一种基于最小化snap改进的A^(*)轨迹规划算法.针对路径规划中的离散点采用时间均匀化处理,构造分段多项式函数描述且采用最小化snap建立其优化函数,形成轨迹可行区间;在传统移动机器人动力学模型中增加状态空间导数约束和相邻轨迹平滑连续性约束并求解最优轨迹.通过仿真和实际测试,算法缩减了7.24%的轨迹长度,机器人转弯效率提升了26.88%.

基于MI-RRT^(*)算法的路径规划研究

针对Informed-RRT(rapidly-exploring random tree)^(*)算法收敛速度慢、优化效率低和生成路径无法满足实际需求等问题,开展了基于MI-RRT^(*)(Modified Informed-RRT^(*))算法的路径规划研究,通过引入贪心采样和自适应步长的方法提高算法的收敛率,减少路径生成时间、降低内存占用;利用最小化Snap曲线优化的方法使路径平滑的同时动力也变化平缓,达到节省能量的效果,并提供实际可执行的路径。最后通过多组不同复杂度的实验环境表明,较Informed-RRT^(*)算法MI-RRT^(*)算法稳定性更高、所得规划路径平滑可执行,并且能够减少20%的迭代次数和25%的搜索时间,得出在开阔以及密集环境中MI-RRT^(*)算法较Informed-RRT^(*)和RRT^(*)算法有明显的优势。