RRT Autonomous Detection Algorithm Based on Multiple Pilot Point Bias Strategy and Karto SLAM Algorithm

A Rapid-exploration Random Tree(RRT)autonomous detection algorithm based on the multi-guide-node deflection strategy and Karto Simultaneous Localization and Mapping(SLAM)algorithm was proposed to solve the problems of low efficiency of detecting frontier boundary points and drift distortion in the process of map building in the traditional RRT algorithm in the autonomous detection strategy of mobile robot.Firstly,an RRT global frontier boundary point detection algorithm based on the multi-guide-node deflection strategy was put forward,which introduces the reference value of guide nodes’deflection probability into the random sampling function so that the global search tree can detect frontier boundary points towards the guide nodes according to random probability.After that,a new autonomous detection algorithm for mobile robots was proposed by combining the graph optimization-based Karto SLAM algorithm with the previously improved RRT algorithm.The algorithm simulation platform based on the Gazebo platform was built.The simulation results show that compared with the traditional RRT algorithm,the proposed RRT autonomous detection algorithm can effectively reduce the time of autonomous detection,plan the length of detection trajectory under the condition of high average detection coverage,and complete the task of autonomous detection mapping more efficiently.Finally,with the help of the ROS-based mobile robot experimental platform,the performance of the proposed algorithm was verified in the real environment of different obstacles.The experimental results show that in the actual environment of simple and complex obstacles,the proposed RRT autonomous detection algorithm was superior to the traditional RRT autonomous detection algorithm in the time of detection,length of detection trajectory,and average coverage,thus improving the efficiency and accuracy of autonomous detection.

Path Planning for Robotic Arms Based on an Improved RRT Algorithm

The burgeoning robotics industry has catalyzed significant strides in the development and deployment of industrial and service robotic arms, positioning path planning as a pivotal facet for augmenting their operational safety and efficiency. Existing path planning algorithms, while capable of delineating feasible trajectories, often fall short of achieving optimality, particularly concerning path length, search duration, and success likelihood. This study introduces an enhanced Rapidly-Exploring Random Tree (RRT) algorithm, meticulously designed to rectify the issues of node redundancy and the compromised path quality endemic to conventional RRT approaches. Through the integration of an adaptive pruning mechanism and a dynamic elliptical search strategy within the Informed RRT* framework, our algorithm efficiently refines the search tree by discarding branches that surpass the cost of the optimal path, thereby refining the search space and significantly boosting efficiency. Extensive comparative analysis across both two-dimensional and three-dimensional simulation settings underscores the algorithm’s proficiency in markedly improving path precision and search velocity, signifying a breakthrough in the domain of robotic arm path planning.

改进RRT算法的采摘机械臂路径规划

针对采用传统的快速随机扩展树(RRT)算法的采摘机械臂在果园工作环境中搜索路径时间长,最终路径不平滑、拐点多等问题,提出了一种改进的RRT避障算法。改进的算法采用高斯采样策略,减少了采样的随机性,避免产生更多不必要的随机树,增加规划的导向性;再添加A*代价函数去除路径的冗余点,最后使用贪婪算法简化路径,减少拐点,让机械臂可以快速、准确、平稳地沿着最佳路径运动到目标点。仿真表明,改进后的算法有效地减少了路径规划的时间,缩短了路径长度,具有良好的可行性和有效性。

基于二次转角约束的改进RRT路径规划算法研究

针对快速随机搜索树(RRT)算法存在节点扩展冗余、生成路径不满足车辆转角条件等问题,提出一种改进的二次转角约束RRT算法。首先,在传统RRT算法基础上对采样空间进行裁剪,引入目标导向策略减少采样时间;然后采用车辆膨胀处理和直线方法检测障碍物,并引入第一次转角约束得到粗解路径;接着对粗解路径建立二次转角约束并进行优化处理,获取优化路径后拟合,并进行仿真验证。结果表明,相比于引入目标导向策略的RRT算法,所提出的算法路径最大曲率降低了34.33%,平均曲率降低47.36%,扩展节点数降低47.62%,路径距离降低7.76%,规划时间缩短14.98%。

应用于无人机全局航迹规划的改进双向RRTs算法

针对无人机复杂环境下的全局航迹规划问题,将人工势场法与双向RRTs(Rapidly-exploring random trees)算法结合,提出一种改进双向RRTs算法。首先,目标偏置策略引导采样点以一定概率顺着目标点生成,同时随机树新节点受到障碍物斥力和目标点引力的合力影响有效避开障碍物生长,提高航迹搜寻效率,其次对随机树的节点扩展考虑了无人机飞行性能约束条件,最后采用3阶贝塞尔函数进一步航迹优化。仿真结果表明:二维和三维复杂环境中改进双向RRTs算法相比传统RRT、双向RRTs算法航迹搜索耗时减少了71.3%、24.7%和41.0%、18.6%,验证了改进算法全局搜索能力的快速性和有效性,能很好的应用于无人机离线全局航迹规划场合。

融合改进Bi-RRT和DWA算法的无人机动态路径规划

为解决无人机在复杂环境中的避障问题,提出一种融合改进Bi-RRT和DWA的无人机动态路径规划算法。通过设置启发式函数、动态步长和安全距离改进Bi-RRT算法,提升全局路径的搜索效率和安全性;之后,修剪路径中的冗余路段并对修剪后的路径进行插值与平滑操作获得全局最优路径;对DWA修正障碍物距离评价函数并引入目标点距离评价函数,提升局部预测轨迹评分的准确性;然后,实时输出速度指令控制无人机跟踪全局最优路径并实现局部动态避障。仿真实验表明,改进Bi-RRT算法生成的路径更短更平滑、安全性更高且规划时间更少;在同时存在动、静态障碍物的复杂环境中,所提融合算法能控制无人机精准地跟踪全局最优路径并高效地完成局部动态避障。

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。

改进RRT-Connect与DWA算法的巡检机器人路径规划研究

针对传统RRT-Connect算法在密集复杂环境中路径规划效率低、动态避障效果差等问题,提出一种改进RRT-Connect与DWA融合算法。该算法通过改进采样策略、动态步长优化和碰撞检测引导随机树生长;在随机树中采用贪心策略和角度约束优化路径。基于巡检机器人建立运动学模型,通过速度采样空间生成轨迹簇;建立模糊逻辑系统自适应调整DWA算法评价函数的权重系数,将全局最优路径点融入DWA算法中实现全局最优路径和实时避障。仿真结果表明,在油气站场密集复杂环境中,改进RRT-Connect算法较传统算法路径缩短约27.09%,平滑度提高约84.6%,碰撞距离提高约18.75%;改进融合算法路径减少约2.97%,平滑度提高约78.8%,碰撞距离提高约30.6%,验证了提出算法的有效性。

基于改进RRT-Connect算法的全局路径规划

针对RRT-Connect算法在复杂环境内的路径规划中存在探索性弱、收敛速度慢、冗余节点多、搜索路径较长等问题,提出一种改进的RRT-Connect算法。通过引入高质量随机点和动态步长的方法,提高了生成随机树的质量并减少了冗余节点数量;采用正向寻优和逆向贪婪的方式,改善了搜索路径较长的问题。实验结果表明,改进RRT-Connect算法平均路径规划时间缩短26.41%,平均路径规划长度缩短19.05%,平均路径规划节点个数减少41.91%,证明了改进RRT-Connect算法相比于原算法规划效率更高,规划时间更少,规划路径质量更优。

基于人工势场算法和RRT算法的多无人机路径规划

为了解决在城市和山区复杂环境中的多无人机任务分配及路径规划问题,提出了一种基于人工势场算法和RRT融合算法的多无人机协同路径规划方法。基于人工势场算法基础优化斥力函数,加入机间斥力因子,实现了协同避撞。引入RRT算法进行拓展搜索,解决了无人机陷入局部极值点时单一人工势场算法目标不可达的问题。通过三维路径规划仿真实验和算法对比实验验证该方法的可行性,结果表明,融合路径规划算法可以在约束条件下找到全局最优路径。

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。

融合RRT^(*)与DWA算法的移动机器人动态路径规划

为实现移动机器人在复杂动态障碍物环境中的避障,提出一种改进的快速随机扩展树(rapidly-exploring random tree,RRT^(*))与动态窗口法(dynamic window approach,DWA)相融合的动态路径规划方法。基于已知环境信息,利用改进RRT^(*)算法生成全局最优安全路径。通过消除RRT^(*)算法产生的危险节点,来确保全局路径的安全性;使用贪婪算法去除路径中的冗余节点,以缩短全局路径的长度。利用DWA算法跟踪改进RRT^(*)算法规划的最优路径。当全局路径上出现静态障碍物时,通过二次调整DWA算法评价函数的权重来避开障碍物并及时回归原路线;当环境中出现移动障碍物时,通过提前检测危险距离并转向加速的方式安全驶离该区域。仿真结果表明:该算法在复杂动态环境中运行时间短、路径成本小,与障碍物始终保持安全距离,确保在安全避开动态障碍物的同时,跟踪最优路径。

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.

改进Bi-RRT*算法的自动泊车路径规划

针对双向快速搜索随机树算法(Bi-RRT*)生成的泊车路径不满足车辆运动学约束、路径曲折和收敛速度慢等问题,提出了一种改进Bi-RRT*算法。基于车辆碰撞检测模型,对障碍物进行膨胀处理,确保为车辆留出安全的泊车距离;采用Reeds-Shepp(RS)曲线对节点进行扩展,使路径连接满足车辆运动学约束;为了提高算法的搜索效率和采样成功率,引入了避障和径向约束采样策略;对路径节点进行均匀插值,利用基于起点的RRT*树对冗余路径进行剔除,实现路径平滑优化。仿真结果表明,与原始Bi-RRT*算法相比,改进后的Bi-RRT*算法规划出的路径不仅满足避障要求和运动学约束,而且规划时间和路径质量更具有优越性。

石化场站移动机器人RRT算法路径规划方法

广域石化场站环境具有障碍多、路况复杂、高度受限等多重干扰,不利于移动机器人的日常探测及应急救援。为了保证移动机器人在石化场站各种复杂地形下的正常工作,针对当前移动机器人的快速扩展随机树(rapidly-exploring random tree,RRT)算法及RRT*算法和Informed RRT*算法的原理,对比分析了用于移动机器人复杂石化场站环境路径规划的不同特征,并通过Pycharm仿真对比了几种算法各自的优缺点,为其进一步应用提供理论支撑。经仿真对比实验表明,Informed RRT*算法在复杂环境中表现出优越性。

基于逆向重布线改进RRT-Connect算法的机械臂路径规划

为解决RRT-Connect算法在复杂非结构环境下规划出的路径成本较长、有效节点数过多、曲折不平滑等问题,提出了一种基于逆向重布线的改进RRT-Connect算法(Improved-RRT-Connect).首先,在算法的起始位置加入碰撞检测函数,当起点和终点之间不存在障碍物时,能够快速生成一条路径;其次,通过对生成的路径采取逆向重布线的措施,对生成的路径中的节点进行重新筛选布线,达到缩短生成路径长度,减少有效节点数量的目的;最后,通过结合B样条曲线对生成的路径进行拟合处理,得到一条平滑连续的路径.通过Improved-RRT-Connect算法与RRT、RRT^(*)-Smart、RRT-Connect等算法的对比实验表明,在规划时间上,Improved-RRT-Connect算法比RRT、RRT^(*)-Smart算法减少了52.14%、98.53%,在路径成本上比RRT、RRT-Connect算法减少了19.39%、17.15%,阐明了提出的Improved-RRT-Connect算法的优越性.

基于Bi-RRT和TEB算法的风电水域多目标点路径规划

针对运维船舶需要依次抵达多个待运维机组处开展风机维护工作,提出一种在风电水域进行多目标点自主路径规划的方法。采用改进Bi-RRT算法进行全局路径规划,TEB算法用于局部路径规划,融合两种算法完成多目标点自主路径规划。引入基于均匀概率的分配机制对Bi-RRT进行改进以减少冗余搜索空间;采用对立扩展树新节点导向策略以增强采样过程中的导向性;通过路径平滑处理,进一步优化路径。利用改进后算法进行仿真实验,与改进前算法进行对比得到:改进后算法迭代次数减少50.4%,求解时间减少11.7%,路径长度缩短30.5%。另外,在ROS仿真平台中搭建合理的仿真环境,结果表明,在同样的地图环境中,改进的Bi-RRT与TEB融合算法较A*算法得到路径更为优越可靠,同时,设定多任务点验证了所提算法进行多目标点路径规划的有效性和可行性。

超冗余柔性臂在狭小空间内改进RRT算法轨迹规划

为清理变电站联排变压器狭小空间内的异物,设计了一种超冗余多关节机械臂;根据机械臂的运动学特性在机器人工具箱建立了运动学模型,利用正运动学分析了万向节角度和驱动绳长,并利用蒙特卡洛法建立了机器人的工作空间;为缩短轨迹路线、减少随机树点数目,提出了基于改进后的RRT算法的轨迹规划方法,利用贪心算法进行轨迹优化,仿真结果显示路径长度减少20%且规划时间提高60%;利用多阶贝塞尔曲线进行轨迹平滑,降低轨迹路线曲率;改进后的RRT算法可以有效避障,且轨迹更为精确、曲率较小、处理速度更快,可以快速有效地完成异物清理工作。

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RRT^(*)算法的无人艇路径规划快速求解算法

针对快速扩展随机树(RRT)算法在无人艇路径规划工作中目的性较弱的问题,提出一种改进的无人艇路径规划快速求解算法。对人工势场法进行改进,额外添加4个方向的受力分析,综合计算无人艇所受合力;重新定义转向角度的计算方法,避免其进入局部最优陷阱,使其可以顺利抵达目标点,得到一条初始路径;利用该初始路径来设定快速扩展随机树算法的随机点采样区域,通过降低随机采样点生成在无价值区域的概率,以提高算法的目的性和时效性,得到二次规划路径;对二次规划路径进行冗余点去除操作,减少路径节点的同时可以进一步降低路径代价,得到最终的规划路径。实验结果表明:改进算法在取得相近代价的路径时,运行时间最多降低了84.14%,采样点数量最多减少了70.09%,算法质量更好,运行效率更高。