基于自适应RRT与积分滑模的机器人避障跟踪控制

针对机器人在复杂场景下躲避障碍物以及跟踪运动中的目标等问题,提出一种自适应快速扩展随机树(RRT)与积分滑模的机器人避障跟踪控制。首先,在传统的RRT算法中加入自适应采样概率与自适应步长等策略,用于减少采样点,提高路径搜索速度,并通过五次多项式插值将得到的无碰撞路径点拟合成一条光滑的曲线,减少机器人运行中的抖动;其次,采用积分滑模算法设计了基于图像的视觉伺服控制器,保证系统具有快速跟踪性能与良好的鲁棒性;最后,通过仿真和实验证实,自适应RRT算法具有采样节点少,收敛速度快等优势,所提出的视觉伺服控制器也能够在不同的目标移动速度下对其实现精确跟踪。

基于改进RRT算法的狭长空间无人车辆路径规划

针对狭长空间无人车辆路径规划系统,提出一种基于改进的快速搜索随机树(rapidly-exploring random trees,RRT)路径规划算法,以解决传统RRT算法随机性较大、路径缺乏安全性的问题.该算法通过加入自适应目标概率采样策略、动态步长策略对传统的RRT算法进行改进,同时考虑到实际情况中无人驾驶车辆的动力学约束,该算法加入车辆碰撞约束和路径转角约束,并针对转角约束会导致迭代次数激增的问题提出了一种限制区域内随机转向的策略,最终得到一条安全性较高的路径.采用计算机仿真对所提算法和现有算法的性能进行对比验证.所提算法在狭长空间相较于传统人工势场引导下的RRT算法迭代次数降低了33.09%,规划时间减少了6.44%,路径长度减少了0.06%,并且在简单环境和复杂障碍物环境下规划能力均有提升.所提算法规划效率更高、迭代次数更少.