基于改进RRT^(*)算法的机械臂路径规划研究

RRT(Rapidly exploring Random Tree)是一种基于采样的路径规划算法,非常适用于机器人的路径规划中,但是传统RRT^(*)算法存在耗时长、占用内存较大等缺点。所以针对这些问题提出一种改进RRT^(*)算法,该算法优化了父节点选取范围,在传统随机采样机制的基础上引入了目标偏置采样和启发式策略,减少了算法耗时且缩短了路径长度;引入了节点拒绝策略,消除转弯角太大的冗余路径的同时也进一步提升了算法效率。利用MATLAB进行了仿真实验验证,结果表明改进RRT^(*)算法能在更短的时间内搜索到一条从起点到终点的最短无碰路径,并且可以很好地应用于机械臂的路径规划中。

基于PS-RRT算法的机械臂避障路径规划

针对应用快速搜索随机树(RRT)算法进行机械臂路径规划时,存在采样区域大、有效区域小、路径冗余节点多、剪枝时间长等问题,提出一种基于分区动态采样策略和重复区域节点拒绝机制的高效RRT路径规划算法PS-RRT(partitioned sampling RRT)。首先,通过PS-RRT快速规划机械臂末端初始路径;其次,分段检测机械臂跟随该路径时的连杆碰撞情况,对碰撞路段进行带臂形约束的第二次规划;最后,将初始路径和第二次规划的路径拼接后进行路径裁剪。将所提方法在多种场景中进行仿真验证,结果表明:基于PS-RRT算法的机械臂避障路径规划策略使得无效节点数大幅减少,可高效规划出机械臂的无碰路径,验证了算法的可行性。

基于分区思想的两阶段RRT^(*)算法

针对RRT^(*)算法采样效率低、搜索时间长等问题,提出了一种基于分区思想的两阶段RRT^(*)算法(TP-RRT^(*))。在探索阶段,利用自适应采样限制采样点的随机性,根据平行四边形法则合成新的矢量节点,既提升了采样点的方向性,又增强了算法对地图的搜索能力。在寻找最近点时,遍历整个随机树的过程存在计算量大、耗时长的问题,因此采用分区存储和检索的方法提升搜索的效率,同时限定分区中的节点数量,避免同一区域过度搜索。并在此基础上,生成一个新的父节点来改进原始算法中的重选父节点环节,进一步减少路径长度。最终在优化阶段时,通过对全局区域进行随机采样,并构造评估函数,得到可以改善路径的节点。仿真实验结果表明,改进算法与原算法在3种不同地图下,路径长度均减少了10%以上、时间均缩短了61%以上、节点数量均降低了75%以上;TP-RRT^(*)算法在路径规划的长度、时间、节点数等方面都优于Q-RRT^(*)和informed-RRT^(*)。