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
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
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...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。展开更多
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。
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。