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...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.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.
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。