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。

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。

基于RRT^(*)改进的移动机器人路径规划算法

针对RRT^(*)算法在复杂环境路径规划中存在的盲目搜索、冗余节点及路径较长等问题,提出一种融合树扩展策略和采样策略的改进RRT^(*)算法(AF-RRT^(*))。通过创造父节点改进RRT^(*)扩展树的结构,缩小路径长度;引入自适应探索,增加采样导向的选择性,减少路径搜索时间,同时不会陷入局部最优陷阱;通过动态步长,减少冗余节点。仿真结果表明,AF-RRT^(*)算法在多种环境下,路径获取效率和路径质量均优于RRT^(*)和F-RRT^(*)。消融实验验证了AF-RRT^(*)算法和算法各功能模块的有效性。

基于改进双树RRT^(*)算法的冗余机械臂末端路径规划

针对冗余机械臂的冗余特性与相关RRT^(*)算法在规划机械臂末端路径的应用中存在的搜索效率较低、收敛性不稳定以及没有充分考虑到机械臂末端几何构型与自身运动特性对路径规划影响的问题,提出一种改进策略。首先,引入一种基于根尾节点连线夹角的采样点选择方式,并设置目标逼近区域。根据连续采样成功次数动态选择改进采样与随机采样。接着,将双树扩展策略与上述方法相结合。最后,将初始可行路径进行二次重连得到最终的优化路径。通过验证,改进双树RRT^(*)方法能够有效地提升搜索效率、收敛性以及路径的优越性。虚拟碰撞体与胶囊碰撞体的引入也能较好地应对机械臂末端结构与运动特性带来的影响。使用Mujoco物理仿真引擎进行机械臂运动验证,证明该策略可以为冗余机械臂末端规划出一条较优的可行路径。

基于稀疏节点与双向插值的RRT^(*)改进算法

针对渐进最优快速扩展随机树(RRT^(*))应用于机器人路径规划中时存在精度低、环境适应性差等问题,提出一种基于稀疏节点与双向插值的RRT^(*)改进算法。将目标偏向采样和稀疏节点法引入RRT^(*)算法中,通过避免对局部区域过度的搜索,达到提高初始路径搜索效率的目的;借助三角不等原理思想,对初始路径中的冗余节点进行剔除,并基于双向插值方法对路径节点进行优化,以更短的时间获得次优路径。在多种仿真环境中的实验结果表明:相对于RRT^(*)算法、Informed-RRT^(*)算法和Q-RRT^(*)算法,改进算法的初始路径规划效率提高了61%,次优路径规划效率提高了59%,且在多种环境下均具有很强的稳定性。最后,在实际的机器人路径规划实验中对所提算法的有效性进行了进一步验证。

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。

基于改进人工势场法的RRT^(*)无人船路径规划算法

为了使RRT^(*)能够更好地适应不同复杂程度的环境,并快速生成一条平滑的较优路径,本文在RRT^(*)算法的基础上引入人工势场法,设计了基于改进人工势场法的RRT^(*)算法。首先,对全局地图进行划分,并进行分区偏置采样;然后,改进节点拓展方式,引入障碍物大小因子来改进斥力势场函数,引导新节点的生成;同时,引入自适应变步长策略,根据距离障碍物的远近,以不同的步长拓展路径点。为了使规划路径更符合无人船的航行特性,采用三次非均匀B样条对改进算法生成的路径进行了平滑处理。为了验证本文改进算法的优势,通过设计特殊障碍物环境、简单障碍物环境以及复杂障碍物环境,对比分析了RRT、RRT^(*)、人工势场法和本文算法,发现了本文改进算法生成的路径平均长度短于RRT、RRT^(*)和人工势场法所规划的路径长度,路径规划效率更高,面对不同障碍物环境有更好的适用性。

基于冗余节点过滤机制的IBRRT^(*)机械臂路径规划

针对传统的RRT^(*)和双向RRT^(*)规划算法在复杂环境存在下规划效率低、探索时间长、规划路径曲折等问题,提出了一种基于冗余节点过滤机制的IBRRT^(*)机械臂路径规划算法。在IBRRT^(*)规划算法基础上,引入局部节点替代机制避免节点的冗余拓展,当首次探索到起始点到目标点的初始路径,将椭圆状态子集采样算法引入后续的迭代中,对采样区域施加约束,避免冗余节点生成。最后针对迭代过程中对路径优化没有贡献的边缘冗余节点进行逐轮剔除。二维仿真实验结果表明,提出的算法收敛速度快效率高,相比IBRRT^(*)算法在时间上减少50%左右,节点个数减少75%以上,并且通过机械臂路径规划实验证明了算法的有效性和实用性。

基于改进的RRT^(*)算法的AUV集群路径规划

[目的]针对微小型欠驱动自主式水下机器人(autonomous underwater vehicle,AUV)集群控制问题,设计一种基于改进RRT^(*)算法的编队控制策略。[方法]RRT^(*)算法规划的路径陡变难以跟踪且收敛速度较慢,针对该问题提出改进方法。首先加入偏置函数使随机采样点靠近目标点,然后采用Dubins曲线平滑连接采样点,通过在可变半径范围内重新布线,并设计有关曲线长度与避障的代价函数,选择最优路径。依据代价和最小值为多AUV分配集结点,协调多AUV速度完成最小集结时间约束,随后设计基于Dubins路径的分段向量场构造方法,使得多AUV跟踪规划路径,到达目标集结点时速度与方向保持一致。[结果]仿真结果表明,多AUV编队平均路径长度缩短26.6%,平均集结时间缩短21.7%。[结论]该算法路径规划质量高,可顺利完成编队集结任务。

基于改进RRT^(*)算法的超冗余度机器人末端避障路径规划

针对超冗余度机器人路径跟随运动,研究了末端避障路径规划方法,在障碍物建模方面,对超冗余度机器人关节结构及路径跟随运动状态进行分析,引入路径约束,并对障碍物进行膨胀化处理;在路径规划层面上,对传统RRT^(*)算法进行了优化,采用改进路径生成方式、引入转角约束、碰撞后调整等策略,改进了传统RRT^(*)算法随机路径转角大、路径复杂等缺点,并在MATLAB中进行了试验验证。结果表明,与传统RRT^(*)算法所规划的路径相比,该方法能够有效缩短路径长度,减少节点数量,提升路径规划的质量。

基于改进型P-RRT^(*)算法的机器臂路径优化

针对机械臂在路径搜索过程中存在逆解计算效率低、扩展无方向和路径冗长的问题,提出了一种改进的P-RRT^(*)的运动规划算法。该算法利用利用位姿分离法对求逆的过程进行优化;再其次,在节点避过障碍物后接近目标点时,设计一种概率向的目标检测来减少算法无效的搜索,缩短路径长度;在搜索完成后使用优化剪枝策略进行重联接,删除冗余的采样点和进一步缩短路径长度。为了验证算法的优势,首先在二维环境下分别对已有和改进P-RRT^(*)算法进行仿真实验和性能分析,证明了改进算法能够快速有效地到达目标点,缩短了路径长度;最后利用机械臂开展了实验探究,证明了改进算法在机械臂上应用的优势。

基于改进RRT^(*)算法的无人船路径规划

为优化无人船的路径规划问题,加快路径规划速度,缩短船舶航行路径,提出一种基于改进RRT^(*)的路径规划算法。首先放大目标点,将目标点问题转化为目标区域问题,随后根据目标点位置进行目标偏置扩展。当计算出初始可行路径后,基于初始路径重新生成采样区域,之后在重新生成的区域内进行后续采样,在得到最终可行路径后采用剪枝和3次B样条插值的方法进行优化,平滑路径,使其更符合船舶航行路线,最后通过Pycharm进行仿真验证。试验结果表明改进的RRT*算法比原有RRT^(*)算法收敛时间更快且路径更短。

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^(*)。

基于RRT^(*)的弹药装填双机器人路径规划

针对当前双机器人路径规划复杂的问题,提出了基于RRT^(*)(rapidly-exploring random trees,RRT^(*))算法的弹药装填双机器人路径规划方法。首先,建立双机器人运动学模型并对其工作空间进行分析,确定了双机器人运动过程中发生干涉的可能性;其次,采用RRT^(*)算法,以主机器人末端执行器的路径为障碍物,对从机器人末端路径进行规划,得到从机器人初始路径后,利用碰撞检测算法对路径节点处机器人实际构型进行碰撞检测,反复迭代直至规划出无碰撞机器人路径。最后进行仿真实验,相对于传统RRT^(*)算法,规划出的路径长度缩短,双机器人可以进行无碰撞运动。结果表明本文所提出的双机器人路径规划算法的有效性。

基于改进RRT^(*)算法的六轴机器人苹果采摘路径规划

为了提高机器人工作效率,保证苹果的及时采摘,机器人需要具备极高的路径规划速度和采摘效率。针对六轴机械臂的特点,提出了一种基于改进RRT^(*)算法的六轴机器人苹果采摘路径规划算法。本算法可以实时规划路径,减少六轴机器人在采摘果蔬过程中的路径规划时间,提高采摘效率;通过优化采摘路径降低六轴机器人的碰撞危险度;通过平滑路径规划算法,避免六轴机器人在运动到折线的拐点处出现抖动现象,提高实时操作性;通过优化六轴机器人采摘角度,避免在奇异点和自碰撞点抖动和碰撞。试验结果证明改进后的路径规划可以提高机器人的工作效率,降低碰撞危险度。

改进RRT^(*)FN算法的机器人路径规划

针对传统渐近最优快速扩展随机树算法(RRT)随机性大、收敛精度低以及运行时间长等问题,提出一种改进的Informed-RRT^(*)-FN算法。改进算法在找到初始路径前采用基于贪心思想改进的目标偏置采样策略和随机删除叶子节点策略以降低找到初始路径的时间;找到初始路径后进一步在椭圆子空间中采样,使用基于节点权重的节点删除策略优先删除“无效”节点和动态重连半径的策略以提高收敛精度并保持较低的运行时间。改进算法在3种地图开展了仿真实验,结果表明相较于RRT^(*)-FN、Informed-RRT和Informed-RRT^(*)-FN算法,该算法收敛精度最高,且运行时间最短。该算法进一步在ROS平台开展全局路径规划实验,验证了其可靠性和实用性。

基于融合改进RRT^(*)算法与改进DWA算法的路径规划研究

针对传统动态窗口算法(dynamic window approach, DWA)在动态环境下预测能力较差且非最优路径等问题,提出一种改进的DWA算法。通过密度约束和采样区域限制来改进RRT^(*)(rapidly-exploring random tree)算法,提高RRT^(*)算法的收敛速度。将改进RRT^(*)算法得到最优路径作为机器人移动的参考路线,以保证全局的路径最优。通过预测轨迹的末端状态来合理的延长预测轨迹,以传递影响到评价函数,使机器人可以提前探测到障碍物并进行避障动作。在不同环境下,改进后的算法移动路径长度和消耗时间分别减少12.76%和30.14%,且具有更强的前瞻性以及更短的路径。

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。

基于改进RRT^(*)算法的深海采矿车局部路径规划算法

针对海底环境可能会出现未知障碍物,进而影响采矿车行驶安全的问题,提出一种改进RRT*算法。该算法考虑海底地形的复杂性,对采样点进行通行性分析。同时在采样策略上,进行目标导向性的改进,并对生成的路径进行剪枝优化。实验证明提出的算法保留了RRT*算法的概率完备性,同时在安全性能和路径长度上提高了生成路径的质量。