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...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。展开更多
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...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。展开更多
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...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。展开更多
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...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。展开更多
基金Natural Science Foundation of Shaanxi Province(No.2019JM-286)。
文摘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。
文摘传统的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。
文摘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。
文摘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。