基于改进Informed-RRT^(*)算法的舰载机甲板平面路径规划

针对舰载机甲板路径规划问题,在Informed-RRT^(*)(informed rapidly-exploring random tree)的椭圆采样基础上,提出使用正态分布方式采样的IN-RRT^(*)(informed normal-RRT^(*))算法。首先,针对舰载机与运动场景建模,定义舰载机运动约束和避障策略;其次,将正态分布采样策略与椭圆采样相结合,获取优质高效采样点;引入人工势场法,自适应调节随机树的搜索步长值;使用向心Catmull-Rom样条插值法对路径进行平滑优化处理;提出针对动态障碍改进的动态窗口法,实现局部动态避障。最后,运用甲板平面环境实验检验算法性能。结果表明,IN-RRT^(*)算法能显著优化搜索时间和搜索路径质量,可应对动态场景规划出合理可行的平滑路径。

复杂环境下基于改进Informed RRT*的无人机路径规划算法

针对无人机在复杂环境中进行路径规划时,快速搜索随机树(RRT)算法易出现规划时间长、路径冗余、狭窄空间中易陷入局部约束导致规划失败的问题,提出一种改进的Informed RRT*算法.首先,引入人工势场法使采样点按照势场下降的方式向目标点移动,以提高RRT树扩展的目的性和方向性.然后,考虑随机树在扩展过程中全局环境的复杂度,引入自适应步长调整策略以增加随机树在无障碍环境下的扩展速度,并在随机树扩展的过程中加入相关约束条件以确保生成路径的可行性.在找到第一条可达路径后,采用变化的椭圆或椭球采样域限制采样点选取和自适应步长的扩展范围,加快算法收敛到渐进最优的速度.最后,在复杂二维和三维环境下进行传统算法和改进算法的对比实验,仿真分析表明:改进算法可以在很少的迭代次数下找到更优的初始路径,更快地锁定椭圆或椭球采样域,从而给路径优化留出更多时间,算法规划效果更好.

基于Informed-RRT 的苹果采摘机械臂路径规划研究

针对非结构化复杂环境下采摘机器人成功率低、规划时间长等问题,提出了一种基于informed-RRT的改进采摘运动规划算法。在改进算法中,采用P概率采样取代随机采样,提高采样的目标性,动态步长生成子节点。改进算法提高了Informed-RRT算法探索未知空间的速度和灵活性,提高最优路径的收敛速度。二维仿真实验表明,与Informed-RRT相比,改进算法可将初始路径查询更短,成功率更高。通过三维仿真实验可以看出,提出的改进采摘机械臂规划算法,实现了快速的路径查询,提高了规划查询率,降低了索引的盲目性,验证了该算法的有效性与优越性。

基于改进Informed-RRT^(*)的路径规划算法

针对Informed-RRT^(*)算法在路径规划中存在盲目性、收敛速度慢和优化效率低等问题,提出了一种改进的Informed-RRT^(*)算法。首先,寻找初始路径时引入双向贪婪搜索,加快了初始路径寻找速率;其次,在树的生长过程中引入自适应步长代替固定步长进行生长,使得算法面对不同环境都能找到较优路径;最后,用懒惰采样代替原本的随机采样,在对算法进行处理前删除没有作用的节点,减小了算法运行压力,也加速了算法收敛。实验结果表明,面对复杂环境,优化后的算法能够快速找到较优路径。

高斯混合模型优化的Informed-RRT*路径规划算法

针对巡检机器人应用Informed-RRT*算法路径规划时的无效采样、速度较慢以及路径不平滑等问题,提出了高斯混合模型优化的Informed-RRT*路径规划算法。运用高斯分布函数获取障碍物附近无碰撞采样节点的样本集,训练生成的高斯混合模型将采样样本集中在更有效的区域中,增强采样目的性与准确性。采用三次B样条曲线对路径进行平滑处理,在不同二维栅格地图中进行仿真实验。结果表明,改进算法与Informed-RRT*算法相比,找到最优路径花费时间最高缩短了57.17%,需寻找的采样点最多减少57.86%,路径长度及生长转角均有较大改进,路径更平滑。搭建巡检机器人进行现场测试,改进算法能够满足巡检机器人路径规划的要求,证明该方法的有效性。

煤矿环境下改进Informed-RRT*路径规划算法研究

为解决煤矿机器人视觉SLAM地图中传统路径规划Informed-RRT*算法收敛速度慢、生成路径代价高、甚至无法找到路径等问题,对视觉SLAM建图进行了研究,提出了一种基于八叉树地图的路径规划方法。首先构建稠密点云地图并生成八叉树地图,将八叉树地图转化为易于路径规划的二维栅格地图,在此地图基础上结合人工势场和Informed-RRT*路径规划方法,提出了一种改进Informed-RRT*路径规划算法。仿真结果表明,该算法比传统Informed-RRT*算法速度提升了29.74%,具有更高的搜索效率和更快的收敛速度,获得了更好的路径规划效果。

动态环境下基于自适应步长Informed-RRT*和人工势场法的机器人混合路径规划

为解决移动机器人在动态环境下的路径规划问题,将Informed-RRT*和人工势场法相融合,提出全局与局部规划算法相融合的路径规划方法。首先,针对Informed-RRT*算法采样效率低,以及得到路径不满足机器人运动学约束的问题,采用目标偏置法与自适应步长法,减少冗余搜索与不必要树的生长;同时,引入走廊优化与时间重分配法,优化路径节点,使路径更加平滑。其次,针对人工势场法易陷入局部极小值和目标点附近不可达的问题,采用平滑窗格策略,增设全局路径子目标点,使机器人能够逃离局部极小值,完成规划任务。仿真结果表明,静态环境中自适应步长Informed-RRT*算法相比于Informed-RRT*算法求解时间缩短了71.98%;动态环境中,混合算法相比于人工势场法,搜索时间缩短了15.4%,路径长度缩短了11.1%。

基于BRS-RRT^(*)算法的移动机器人路径规划

针对Informed-RRT^(*)算法在路径规划中收敛速度低、目标性差且所得轨迹不平滑的局限性,提出一种面向目标的区域采样双向RRT^(*)算法。首先,引入双向贪婪搜索策略获得采样点,加快算法搜索速度的同时改变随机树的扩展规则,增强其目标导向性;其次,得到初始解后,于轨迹节点附近展开形成启发式采样区域,在该区域内通过节点重构策略不断迭代,优化路径长度;最后,采用中间点插值和三次样条曲线相结合的方法,完成对路径的平滑处理。仿真实验表明,改进算法能够在不同环境地图中以更短的运行时间生成节点数更少、代价更小、更为平滑的路径。

改进Informed-RRT^(*)的移动机器人路径规划算法研究

针对目前Informed-RRT^(*)算法在路径规划时速度慢,目的性差且所得路径不平滑的特点,提出了一种基于节点优化的改进Informed-RRT^(*)路径规划算法。引入自适应t-分布函数改变随机点在不同环境下的分布概率,提高算法的效率。采用椭圆的焦距偏置策略,将单个偏置点扩展为整个椭圆焦距,使随机树的生长贴近起始点与目标点的最小距离,增加了算法的目的性。采用重选祖辈节点策略对整条路径减冗余,对于路径转折处采用对称多极式曲线法进行平滑处理。通过多组实验对比表明,改进后的Informed-RRT^(*)算法搜索效率更高,目的性更强,且规划所得路径更为平滑。

改进APF-Informed-RRT*融合算法的无人机航迹规划

近几十年,渐近最优快速搜索随机树(RRT*)算法受到广泛关注。为了解决其收敛速度慢、生成路径代价高的问题,提出一种改进APF(Artificial Potential Field)-Informed-RRT*融合算法进行无人机航迹规划。该算法结合Informed采样策略,将随机点约束在椭圆空间内,提高搜索效率。当新算法找到最近节点后,引入改进APF生成高质量的新节点。目标点及随机采样点对生长树的最近节点产生吸引力,障碍物对其产生排斥力,然后将合力方向作为随机树生长方向,解决局部最小值的问题,大大缩短了收敛时间。将该算法与RRT*,Informed-RRT*算法进行比较,结果表明了新算法的优越性和有效性。

基于BIM和改进RRT算法的建筑机器人路径规划

针对建筑机器人在施工现场获取地图信息时间长且需要规划出一条全局的、能实时避障的路径等问题,该文提出了一种应用建筑信息模型(building information model,BIM)技术建立导航地图并进行路径规划的算法。根据BIM模型中的信息对传统RRT算法进行优化改进,提出了IRRT(improved rapid-exploration random tree)算法。首先将原有的固定步长改为动态步长,通过判断与目标点的远近界定步长大小,避免了节点的盲目扩张;其次,对随机采样点的生成范围进行了约束,并设置一个同时考虑目标点和随机点的权重来解决传统RRT算法中新生成点仅由随机采样点单一决定的问题;算法陷入最小值时选取随机扰动策略进行逃脱;最后在全局路径的相邻节点间使用动态窗口法进行局部避障。实验仿真结果表明IRRT算法比传统RRT算法在搜索速度上快了3倍多,平均路径比改进前减少25.56%,平均节点减少8.92%,加入动态窗口法后有效提高了机器人实时避障能力,更适合多变的室内环境使用。

基于改进Informed-RRT^(*)算法的机器人路径规划

为了解决Informed-RRT^(*)算法在路径规划中目的性差、收敛速度慢、路径优化效率低等问题,提出一种基于贪心算法并改变其搜索对象的方法,对Informed-RRT^(*)算法进行优化。首先,在首次路径规划时引入贪心算法思想,当得到一个新节点时判断该节点能否直接到达目标点,增强路径规划的目的性;其次,将潜在最优父节点的搜索对象由路径规划构建的节点树替换为构建的路径,减少需要搜索的节点数量,提高规划效率。仿真结果表明,改进后的Informed-RRT^(*)算法规划路径长度比原算法的缩短了10%~20%,规划路径时间缩短了80%~90%。

一种改进的双向Informed-RRT^(*)算法

针对路径规划过程中Informed-RRT^(*)算法规划效率低、规划路径冗余且转弯较多等问题,提出一种改进的双向Informed-RRT^(*)算法。首先,提出一种初始路径双向搜索的方式,有效提高了初始路径的生成效率;其次,提出一种P概率扇形约束采样的方法,增加了目标导向性和路径规划容错率;接着提出在节点扩展时引用生长转角偏置,有效加快算法收敛速度;最后,提出变步长生长的扩展方式,解决了Informed-RRT^(*)算法路径规划过程中因环境复杂度不同而导致的路径规划自适性低的问题。仿真结果显示,相比于传统Informed-RRT^(*)算法,本算法在平均规划路径长度、平均规划时间、初始化路径平均迭代次数、平均转弯指数分别减少了3.63%、19.55%、18.99%、32.55%,规划成功率提高了9.45%。仿真实验验证了该路径规划算法的正确性和可行性。

基于改进Informed-RRT^*算法的路径规划研究

针对Informed-RRT^*算法在复杂环境重复规划稳定性差、收敛速度慢的问题,提出改进Informed-RRT^*的路径规划算法(Informed Bi-directional RRT^*)提升寻找可行路径的稳定性和效率。该算法引入基于状态子集直接采样的反向扩展策略,当路径规划遇到障碍时快速更新采样区间,在障碍物的边界区域获得接近最优路径成本的可行路径,同时结合基于多树搜索的双向搜索策略加快对状态子集的探索,提高算法的收敛速度。实验表明,与Informed-RRT^*算法相比,IBI-RRT^*算法稳定性更高,能够减少40%的迭代次数和20%~30%的搜索时间,并且规划路径接近最优路径,验证了IBI-RRT^*算法在复杂环境中路径规划的优势。

基于B样条曲线的无人驾驶车辆Informed RRT^(*)算法研究

车联网技术可以大幅度地增加交通流畅性,节省行驶时间。针对基本RRT算法树的拓展具有随机性、路径中存在冗余的节点、规划出的路径拐点多等问题,本文在RRT^(*)的基础上提出了Informed RRT^(*)算法,同时,为了解决Informed RRT^(*)路径优化效率低的问题,加入三次B样条曲线,解决了曲线光滑问题。改进后的算法在保证规划出来的路径质量的同时,大大缩短了采样时间,采样节点数降低约33%。结果对比证明,改进后的RRT算法,算法搜索效率及平滑性得到明显改善。

改进Informed-RRT^(*)算法的柑橘采摘机械臂运动路径规划

针对目前采摘机械臂采摘多次行程规划效率低、耗时长、路径非最优的问题,提出了基于Informed-RRT^(*)改进的柑橘采摘机械臂运动规划算法,该算法在起始点和目标点之间选取第三点作为预采摘引导点,可以同时在初始点、目标点及引导点生成四棵树来快速获取初始路径,并在算法中引入了启发性的节点采样策略,提高了最优路径的收敛速度。仿真实验表明:改进算法路径使成本减少了6%,时间缩短了88%,节点数缩短了42%,平均迭代次数下降了64%。利用该算法在机器人系统(robot operating system,ROS)中控制6自由度机械臂进行仿真采摘模拟实验,规划成功率约为96%,算法平均规划时间为0.81 s。改进算法规划时间减少约46%,规划成功率提高约11%,路径成本优化约16%。

Dubins-Informed RRT*算法规划的机械臂运动

针对目前机械臂路径规划需要人工提前进行示教编程的问题,本文使用Informed RRT*算法应用于机械臂的自动路径规划中,并且利用Dubins曲线策略处理Informed RRT*的轨迹,解决了RRT类算法生成的轨迹存在不稳定和尖锐的这两大缺点,并且在计算机软件上进行仿真测试,验证Dubins-Informed RRT*算法应用于机械臂的自动路径规划是可行的。

基于MI-RRT^(*)算法的路径规划研究

针对Informed-RRT(rapidly-exploring random tree)^(*)算法收敛速度慢、优化效率低和生成路径无法满足实际需求等问题,开展了基于MI-RRT^(*)(Modified Informed-RRT^(*))算法的路径规划研究,通过引入贪心采样和自适应步长的方法提高算法的收敛率,减少路径生成时间、降低内存占用;利用最小化Snap曲线优化的方法使路径平滑的同时动力也变化平缓,达到节省能量的效果,并提供实际可执行的路径。最后通过多组不同复杂度的实验环境表明,较Informed-RRT^(*)算法MI-RRT^(*)算法稳定性更高、所得规划路径平滑可执行,并且能够减少20%的迭代次数和25%的搜索时间,得出在开阔以及密集环境中MI-RRT^(*)算法较Informed-RRT^(*)和RRT^(*)算法有明显的优势。

改进Informed-RRT^(*)的动态环境路径规划算法

针对Informed-RRT^(*)算法在路径规划中与动态障碍物的碰撞问题,提出基于Informed-RRT^(*)和人工势场法的改进路径规划算法。该算法引入椭圆区域采样策略和自适应步长策略提高了寻找可行全局路径的稳定性和效率,在静态障碍物边界区域获得最优成本可行路径方案。当机器人按照全局路径运动遇到动态障碍物时,引入裁剪路径分支策略和人工势场法对局部路径进行重规划,实现动态避障功能。将改进算法应用于仿真环境,结果表明改进算法实现了全局最优探索和局部避障功能,验证了算法的有效性。

基于改进APF-Informed-RRT^(*)的机械臂避障路径规划

针对Informed-RRT^(*)算法在避障路径规划中缺乏目的性和方向性,存在规划时间长、迭代效率低等问题,提出了结合人工势场法和Informed-RRT^(*)算法的避障规划算法。首先,针对传统人工势场法存在目标点不可达、易与障碍物碰撞的问题,提出了改进后的人工势场法,并将其融入Informed-RRT^(*)算法中,使随机树沿势场下降的方向生长,增强其方向性;其次,依据随机树与障碍物间的距离,提出了一种自适应生长步长策略,提高了对空间的探索能力;最后,引入贪心算法的思想,在生长时直接判断随机树能否直达目标点,提高了路径规划效率。在二维和三维环境下对改进后的算法与传统算法及其衍生算法进行对比实验,仿真结果表明改进后的Informed-RRT^(*)算法相较于原始算法规划的路径长度和规划耗时分别减少了17.42%和36.21%。