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。

一种用于无人车路径规划的改进双向快速扩展随机树算法研究

快速扩展随机树(RRT)算法在生成采样点时,采用随机扩展策略进行盲目搜索,导致路径生长过程中缺乏方向性且规划速度缓慢。针对此问题,提出了一种改进双向快速扩展随机树算法(Bi-RRT)。首先,在节点的生成方式上,同时生成两个采样点,通过舍弃距离目标点较远的采样点来提高采样效率,确保采样点的有效性,加快路径规划速度;然后,结合自适应采样目标偏向策略,使路径的规划更具有方向性,能够逃离局部极小值。同时在规划过程中,两棵随机树分别选择对方生成的最新节点作为目标,以降低众多繁杂节点的产生,使路径生成更具有目的性;接着利用Matlab软件,将改进Bi-RRT算法同基本RRT和Bi-RRT两种路径规划算法进行对比分析。仿真结果表明,研究算法能缩短规划时间、减少迭代次数,具有较好的可行性和有效性。最后进行了样车实验,验证了研究算法的可靠性。

基于改进RRT*算法的自动驾驶车辆路径规划研究

针对自动驾驶车辆,文章在交叉路口环境下提出了一种改进的快速搜索随机树(RRT*)路径规划算法。首先,对自动驾驶车辆的驾驶行为环境予以描述;其次,针对原始RRT*算法提出改进的目标偏向策略予以改善;进一步,对原始RRT*算法在交叉路口无效采样的问题,提出一种概率采样策略。基于Matlab/Simulink联合仿真平台构建相应环境使进行车辆直行驾驶,所规划路径长度为100.35m,仿真时长为5.71s。

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。

应用改进RRT_Connect算法的移动机器人路径规划

针对复杂未知环境下的移动机器人路径规划问题,提出一种优化已搜索节点和已规划部分路径的改进RRT_Connect算法。算法引入了终点和已搜索节点目标偏向策略,该策略在随机采样函数中引入终点和已搜索节点偏向概率基准值,使随机采样点按随机概率设定为终点或已搜索节点;通过筛选有效新节点和一定范围内邻节点的父节点,优化路径规划成本,使规划路径趋于平滑。仿真结果表明,提出的改进RRT_Connect算法所规划的路径在平均转弯次数、平均规划路径长度和平均规划成功率等指标较改进前更优。

基于改进RRT和人工势场法的路径规划算法

针对快速随机扩展树(Rapidly-Exploring Random Trees,RRT)算法在规划路径中随机性较大、扩展效率较低且规划的路径不利于机器人移动等缺点,提出一种改进的RRT算法。首先,加入目标偏向策略和自适应步长策略,减小RRT的随机性,增强路径规划的鲁棒性和算法的探索能力;其次,引入改进的人工势场法,使算法扩展方向更偏向目标点,提高算法的搜索效率;然后,去除改进RRT算法规划路径的冗余节点,使得生成的路径更加简短和高效;最后,使用n阶贝塞尔曲线对路径进行平滑处理,使规划的路径更有利于机器人移动。实验结果表明,与传统RRT算法、RRT*算法和另外一种已有的改进方法相比,改进的RRT算法在路径规划时间、路径长度、路径节点以及迭代次数等方面效果都更好,路径更加平滑且更短。