基于蚁群的环境分区目标偏置RRT算法路径规划

利用快速扩展随机树算法(Rapidly-exploring random tree,RRT)进行路径规划时,在狭窄复杂区域与空旷障碍区域融合环境下,存在随机性大、搜索时间长、路径曲折等问题。为此,提出了一种基于蚁群的环境分区目标偏置RRT算法。首先,采用分环境的随机概率采样并结合人工势场的目标偏向扩展策略,以提高算法收敛速度,增强算法搜索能力。其次,为解决规划路径曲折且冗余点多的问题,提出改进蚁群寻优路径,并结合跳点筛选策略及三次B样条以消除冗余点平滑最终路径。最后,改进后的算法与A*算法、目标偏向RRT算法进行了对比分析。仿真结果表明:改进后的算法节点耗费量降低了54.8%,时间平均缩短了75.88%,从而验证了算法的有效性。

和差波束测角的目标角度偏向判断方法

针对和差波束比幅测角得到的目标角度出现多值问题,通过仿真分析,给出了和差波束比幅测角得到的目标角度相对于主波束指向偏向的判断方法。该方法简化了确定目标偏向的计算过程,提高了计算效率,并在工程实现中进行了应用验证。

改进RRT算法的全向机器人路径规划

针对快速扩展随机树(RRT)算法在进行全局路径规划时生成路径时间长,长度长,在采样时缺乏目标导引性。所以改进了一种目标偏向采样策略,通过引入由初始点,终点,障碍物和随机点构成的虚拟力场,促使随机采样导向目标点。对于障碍物远近的影响,设定障碍物影响的阈值,引入了自适应系数λ,在扩展步长方面,加入了角度约束,根据偏向目标点角度,选择不同的扩展步长。引入冗余节点剔除策略,缩短路径长度,最后加入贪心策略,减少不必要采样节点的个数。首先,在MATLAB2018a仿真进行实验对比,其次在实际环境中进行实验。实验结果显示,在路径搜索时间,拐点数量以及路径距离等均有明显的提高。

基于RRT-BZD算法的移动机器人路径规划

针对传统RRT算法在移动机器人路径规划中效率低、路径非最优的问题,提出一种改进的RRT-BZD算法,以提高RRT算法的收敛速度和算法的搜索效率。改进的RRT-BZD算法通过设置自适应目标偏向策略以及修剪冗余节点,加快了路径规划的收敛速度,减少了算法运行的时间,并且使用贝塞尔插值法使最终的路径更加平滑。在MATLAB仿真环境中分别对不同场景下的算法进行对比实验,实验结果表明:改进的RRT-BZD算法路径代价比传统RRT算法减少了7.93%,计算时间减少了20.28%,验证了改进算法的有效性和可行性。

多障碍场景下改进RRT算法路径规划

针对传统快速搜索随机树RRT算法在多障碍场景下盲目搜索、不易收敛、采样成功率低、生成路径波折的问题,提出一种改进RRT算法。改进算法包含自适应目标偏向策略、区域采样调整策略、贝塞尔曲线平滑处理三部分。在MATLAB平台进行对比实验,对比实验使用7张地图,分为较少障碍的一般场景和通道类复杂场景。实验结果表明,改进RRT算法相较原算法和其它两种目标驱动算法在运行时间、搜索次数、采样成功率三方面均有大幅提升,二阶贝塞尔曲线使生成路径平滑。实验结果验证了提出策略和方法的正确性和可行性。

非完整约束移动机器人CRAB RRT轨迹规划

针对快速扩展树算法在多障碍环境搜索效率低、冗余节点多的问题,提出一种CRAB-RRT算法。该算法采用圆域概率偏向采样策略进行随机采样;将扩展树上节点分为2类,通过度量邻近点间对角线距离、历史路径成本和扩展角度的加权和,在有效邻近点集中选出高质量最近点;在新节点扩展中添加了目标引力分量,并根据环境障碍信息实现扩展步长自适应变化;经过对非完整约束移动机器人运动学模型的分析,提出了极限角约束,通过考虑受极限角约束的路径裁剪策略剔除冗余节点,利用三次B样条平滑方法平滑轨迹。通过数值仿真分析和实车实验,验证了CRAB-RRT算法的可行性、实用性与优越性,平滑后的路径更利于机器人跟踪,且适用于多障碍环境。

非完整约束下的机器人运动规划算法

由非完整约束定义提出一种改进RRT(快速搜索随机树)算法,解决受动力学约束的移动机器人运动规划问题.该算法将移动机器人的非完整约束条件与RRT搜索算法相结合.针对RRT算法在全局状态空间均匀随机搜索导致算法无谓耗费代价大的缺陷,引入目标偏向思想,并选择计算复杂度低的距离参数提高求解速度.通过几类典型的非完整约束下的机器人运动规划仿真实验,证实了该算法的有效性和高效性.

偏向性减排目标分配与区域间共同富裕

随着中国全面建成小康社会,着力解决发展不平衡不充分问题、促进全体人民共同富裕被摆在了更重要的位置。本文从政府约束性“资源”分配的视角,检验偏向性减排目标分配能否从缩小地区经济差距方面推进中国区域间共同富裕整体进程。通过手工整理中国城市层面“十一五”至“十三五”期间主要污染物减排目标的数据,研究了偏向性减排目标分配对区域经济增长速度及增长质量的影响。研究结果表明:第一,“十一五”规划以来制定的减排指标具有明显的区域偏向性,表现为对欠发达地区给予较低的减排指标而对发达地区施加较高的减排指标。第二,偏向性减排目标约束会显著减缓发达地区粗放式经济增长,提升其绿色经济效率。这一偏向性分配方式可以有效缓解地区经济发展不平衡现象。第三,偏向性减排目标约束通过抑制投资潮涌、缩紧污染型企业投资环境等途径减缓地区经济增长速度。以上结论为通过中国特色的环境规制手段解决地区经济发展不平衡问题进而实现区域间共同富裕提供了一个崭新思路。

基于改进RRT算法的无人驾驶汽车轨迹规划

针对无人驾驶汽车,提出了一种基于改进快速搜索随机树(RRT)的轨迹规划算法。首先,基于车辆转向约束,在传统RRT算法的基础上,限制采样可行区域,基于目标偏向策略,以一定的概率将目标点作为随机点进行随机树扩张;其次,对生成路径采用三次B样条曲线平滑处理,降低轨迹曲线的曲率及曲率变化率;最后,基于Matlab/CarSim联合仿真平台构建直线路况与直角路况,并使用提出的算法在不同路况下进行轨迹规划的仿真与分析。结果表明:改进RRT算法下规划轨迹的曲率均值、极大值与方差小,相比于无约束控制,15°转角约束下在直线路况中分别降低了22. 9%,51. 7%与43. 3%,在直角路况中分别降低了29. 5%,59. 3%与40. 3%;同时,改进RRT算法的平均采样点数及平均树节点数少、规划时间短,相比于无转角约束,15°转角约束下在直线路况中分别降低了62. 9%,38. 2%与78. 5%,在直角路况中分别降低了34. 0%,41. 9%与27. 4%,路径规划质量和速度显著提高。

基于改进RRT路径规划算法

针对基本RRT算法路径规划特点:树的扩展具有随机性,路径中存在冗余的节点,规划出的路径拐角多。因此,提出一种改进的RRT算法。改进后的算法首先采用目标偏向策略,以一定的概率P把目标点作为采样点进行随机树扩展,提高随机树向目标点的扩展的概率;其次,改变度量函数,添加了角度约束,减少了路径规划中搜索的范围,以减少搜索时间;最后,通过贪心算法对路径进行简化,并对简化后的节点采用三次B样条曲线进行优化。结果证明改进后的RRT算法搜索时间更少,搜索路径更短,平滑性更高。

复杂环境下智能汽车自动驾驶系统研究

为了提高智汽车的驾驶安全性,研究了智能汽车自动驾驶系统,包括路径规划和跟踪两个方面。对于路径规划,在传统RRT算法基础上,将路径转角引入度量函数中,实现了对距离和平滑性的综合度量;将目标偏向策略和相向扩展策略引入到扩展方法中,将随机扩展改进为启发扩展,从而提出了CE-RRT算法,经仿真验证,CE-RRT算法不仅提高了路径规划成功率,而且缩短了规划时间。对于路径跟踪,建立了车辆路径跟踪的线性时变误差模型,设计了线性时变模型预测控制器,通过仿真验证,控制器可以实现对直线路径的完全跟踪,对圆形路径也有很高的跟踪精度。

基于改进Bi-RRT的移动机器人路径规划算法

双向快速扩展随机树(Bi-RRT)算法因采样点的随机性导致在复杂环境中的路径规划存在搜索时间长、采样效率低等问题,为此提出了一种改进Bi-RRT的移动机器人路径规划算法;算法引入启发式搜索策略,分别以机器人的起点和终点为中心,构造了二维高斯分布函数,并用该概率密度函数约束采样点的生成,使得越接近目标点的空间采样点出现概率越大,同时保留部分均匀分布的采样点,这样采样过程既可以利用目标点的位置信息又保证了算法的概率完备性;通过算法设计的启发式采样点的引导,两棵随机树可以快速向着目标区域生长,降低了搜索的盲目性,提高了搜索的效率;仿真结果:相比于基本Bi-RRT算法,改进算法在复杂环境下规划时间缩短了43.9%,扩展节点数目减少了41.4%,路径长度优化了8.1%,并分析了高斯分布采样点占采样点总数的比值对算法性能的影响。

改进的RRT路径规划算法

对全局路径规划算法中的快速扩展随机树(RRT)算法进行深入的研究,针对基本RRT算法随机性强、搜索没有偏向性、得到的路径不一定为最优路径等缺点,提出一种改进的RRT优化算法,通过改进随机数生长方式的角度对原有算法思路进行改进,引导随机数向着目标点方向生长,与此同时移动机器人可以根据周围环境信息及时做出调整,使随机树向更高质量生长。大量仿真结果表明,改进的RRT算法具有一定的可行性与有效性,能高效引导随机树朝目标点方向高质量地生长,规划的路径尽可能接近最优路径,有效缩短了路径规划时间。

基于改进RRT的路径规划算法

传统的RRT(Rapid-exploration Random Tree)算法具有搜索速度快,适用于解决动力学非完整性约束问题,但是由于算法本身的随机性,生成的路径比较曲折,甚至出现绕远路现象。为此,本文提出一种改进的RRT路径规划算法,该算法结合目标偏向策略,使算法快速向目标节点收敛;对选取节点的度量函数,加入了角度的影响;同时引入贪心剪枝思想,对冗余节点进行剪枝,提高了路径规划算法的效率;最后通过仿真实验,验证了该算法的正确性和有效性。

改进Bi-RRT算法的AGV全局路径规划

针对双向快速扩展随机树(Bidirectional Rapidly-Exploring Random Tree,Bi-RRT)算法中采样随机性大、路线贴合障碍物、生成路径存在大量冗余点等问题,提出了一种适用于自动导引运输车(Automatic Guided Vehicle,AGV)全局路径规划的改进Bi-RRT算法。该算法将基于概率p的目标偏向策略与A*算法中的代价估计思想结合起来,形成双重目标偏向策略以求得更优路径;在路径生成过程中加入安全距离判断机制,消除生成路径与障碍物贴合现象;此外,动态检测新节点与目标点的通路状态,减少不必要的随机采样过程;最后,利用遍历算法对所得路径进行后处理,滤除冗余点,使最终路径干净简洁。在MATLAB平台上对算法进行仿真实验,结果表明,改进算法相较于传统Bi-RRT,搜索时间更短,规划路径更优且可执行。

改进RRT算法的室内移动机器人路径规划

针对传统RRT(快速扩展随机树)寻路算法由于扩展点的随机选取而存在搜索平均、采样效率低、偏离最优解的缺陷,提出一种偏向目标型的改进RRT算法。该算法采用目标偏向策略和气味扩散法来改善扩展节点的选取,使得随机树的生长趋向于目标点,并提出一种基于3次B样条曲线的路径平滑方法,极大地提升了搜索效率和路径质量。在仿真环境下对算法有效性进行验证,并将算法应用到真实环境下。仿真结果表明,与传统RRT算法相比,改进算法的路径长度缩短约22.1%,且路径更为平滑,在复杂环境中避障能力强。将改进RRT算法应用到Turtlebot2中,在真实环境下开展实验,实验结果证明了该算法的可靠性和实用性。

改进RRT*的室内机器人路径规划算法

路径规划在室内机器人的应用中有着无可比拟的作用;为了提高路径规划算法收敛的速度,综合时间消耗和路径质量方面考虑,针对RRT*(渐进最优快速扩展随机树)算法的局限性,提出一种改进的RRT*算法;该算法采用目的性的设置采样点代替原算法中的随机高斯采样和引进人工势场与避障策略结合的思想,设置目标偏向性,引导随机树生长方向,然后利用曼哈顿距离代替欧几里得距离作为代价估值函数,防止陷入极小值以及一定程度上减小算法时间损耗;实验表明,该方法可有效平衡算法收敛时间与最佳路径的可靠性。

改进RRT算法在机器人路径规划中的应用

为了解决快速搜索随机树(Rapid-exploration Random Tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用KD-Tree算法将待规划空间进行多级分割;其次,在RRT算法的基础上引入变权重的人工势场法,算法的主要作用是实现避开障碍物和启发式搜索;最后,实现对RRT算法的改进。通过对改进的RRT算法进行仿真验证,结果表明:该算法缩短了路径规划的时间,减少采样点数目,使生成的路径更加平滑,更适用于机器人在多障碍物环境中的路径规划。

基于改进的快速扩展随机树的快速路径规划算法

针对采用快速扩展随机树(rapidly extending random trees,RRT)算法进行路径规划时速度较慢的缺点,对RRT算法进行了改进。在基本RRT算法的基础上引入轮盘赌的概念,对地图分区,加入目标偏向概率约束随机树的生长方向;当目前迭代与上一次迭代为同一父节点时,改用最近节点连接策略,使样点与距离目标最近节点相连;发生碰撞时仅碰撞区域重新生成样点,增大随机树通过细窄通道和死角的概率。对生成路径进行3次B样条平滑处理。通过3组不同难度的地图仿真试验表明:随着地图难度的不断增长,改进的RRT算法的运行时间比原算法减少了62%左右,迭代次数减少了60%左右。

基于引导扩展的快速随机搜索树算法

针对移动机器人在路径规划过程中,快速扩展随机树(RRT)算法随机性强、搜索无偏向性以及在较窄出口环境下搜索效率明显下降等问题,提出一种基于障碍物有效顶点引导扩展的改进算法。该算法通过对碰撞障碍物分析,选取障碍物有效顶点引导随机树扩展,从而提高随机树的搜索效率。最后,在机器人操作系统(ROS)上进行仿真实验,使用ROS可视化工具(RVIZ)显示规划结果,结果显示基于障碍物有效顶点引导扩展的算法性能更优。