An Adaptive Rapidly-Exploring Random Tree

Sampling-based planning algorithms play an important role in high degree-of-freedom motion planning(MP)problems,in which rapidly-exploring random tree(RRT)and the faster bidirectional RRT(named RRT-Connect)algorithms have achieved good results in many planning tasks.However,sampling-based methods have the inherent defect of having difficultly in solving planning problems with narrow passages.Therefore,several algorithms have been proposed to overcome these drawbacks.As one of the improved algorithms,Rapidlyexploring random vines(RRV)can achieve better results,but it may perform worse in cluttered environments and has a certain environmental selectivity.In this paper,we present a new improved planning method based on RRT-Connect and RRV,named adaptive RRT-Connect(ARRT-Connect),which deals well with the narrow passage environments while retaining the ability of RRT algorithms to plan paths in other environments.The proposed planner is shown to be adaptable to a variety of environments and can accomplish path planning in a short time.

Global optimization of manipulator base placement by means of rapidly-exploring random tree

Due to the interrelationship between the base placement of the manipulator and its operation object,it is significant to analyze the accessibility and workspace of manipulators for the optimization of their base location.A new method is presented to optimize the base placement of manipulators through motion planning optimization and location optimization in the feasible area for manipulators.Firstly,research problems and contents are outlined.And then the feasible area for the manipulator base installation is discussed.Next,index depended on the joint movements and used to evaluate the kinematic performance of manipulators is defined.Although the mentioned indices in last section are regarded as the cost function of the latter,rapidly-exploring random tree(RRT) and rapidly-exploring random tree*(RRT*) algorithms are analyzed.And then,the proposed optimization method of manipulator base placement is studied by means of simulation research based on kinematic performance criteria.Finally,the conclusions could be proved effective from the simulation results.

基于CL-RRT与MPC的舰载机牵引系统路径规划

针对舰载机在甲板狭小、复杂环境下的调运过程,结合闭环快速随机搜索树(close loop rapidly exploring random trees,CL-RRT)和模型预测控制(model predictive control,MPC)提出一种舰载机牵引系统的路径规划算法。首先,在CL-RRT中采用纯追踪器与线性二次型(linear quadratic,LQ)控制器得到系统的控制输入并向前仿真得到规划路径。其次,将已得路径进行等比缩放与插值作为MPC的初始解。最后,设置MPC的目标函数等并解得最终路径。展开自定义三个场景下的仿真实验,通过与CL-RRT算法的实验结果进行比较,验证本文算法的优越性。实验结果表明,所提算法可有效解决因采样随机性带来解质量不佳的问题,提升舰载机在甲板上的调运效率与安全性。

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。

Navigation Method Based on Improved Rapid Exploration Random Tree Star-Smart(RRT^(*)-Smart) and Deep Reinforcement Learning

A large number of logistics operations are needed to transport fabric rolls and dye barrels to different positions in printing and dyeing plants, and increasing labor cost is making it difficult for plants to recruit workers to complete manual operations. Artificial intelligence and robotics, which are rapidly evolving, offer potential solutions to this problem. In this paper, a navigation method dedicated to solving the issues of the inability to pass smoothly at corners in practice and local obstacle avoidance is presented. In the system, a Gaussian fitting smoothing rapid exploration random tree star-smart(GFS RRT^(*)-Smart) algorithm is proposed for global path planning and enhances the performance when the robot makes a sharp turn around corners. In local obstacle avoidance, a deep reinforcement learning determiner mixed actor critic(MAC) algorithm is used for obstacle avoidance decisions. The navigation system is implemented in a scaled-down simulation factory.

基于蚁群的环境分区目标偏置RRT算法路径规划

利用快速扩展随机树算法(Rapidly-exploring random tree,RRT)进行路径规划时,在狭窄复杂区域与空旷障碍区域融合环境下,存在随机性大、搜索时间长、路径曲折等问题。为此,提出了一种基于蚁群的环境分区目标偏置RRT算法。首先,采用分环境的随机概率采样并结合人工势场的目标偏向扩展策略,以提高算法收敛速度,增强算法搜索能力。其次,为解决规划路径曲折且冗余点多的问题,提出改进蚁群寻优路径,并结合跳点筛选策略及三次B样条以消除冗余点平滑最终路径。最后,改进后的算法与A*算法、目标偏向RRT算法进行了对比分析。仿真结果表明:改进后的算法节点耗费量降低了54.8%,时间平均缩短了75.88%,从而验证了算法的有效性。

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。

基于警戒机制的RRT无碰撞双路径规划算法

针对双臂机器人或双机械臂的路径规划问题,提出一种双路径快速扩展随机树(DP-RRT)算法。基于传统的快速扩展随机树(RRT)算法,设计了一种警戒机制,使同时生长的两个随机树能够时刻相互感知,且互为动态障碍来规避彼此;采用交替生长策略改进生长过程,来避免相互间可能出现的无序碰撞、路径交叉和生长抑制等问题,并引入非均匀B样条曲线来平滑路径,以减小机械臂运动产生的冲击。仿真结果表明,与两次应用RRT算法相比,各种环境的规划成功率都有所提升,尤其在10 mm大步长条件下,4种环境的搜索成功率分别提升了10%、31%、65%、84%,平均总路径减少10.8%。总之,DP-RRT算法在搜索成功率,计算时间和路径质量上都比与传统两次应用RRT算法的方案表现得更好。

基于改进RRT算法的狭长空间无人车辆路径规划

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.

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。

基于层次分解的在线三维RRT^(*)协同航路规划

针对多机时间协同航路规划问题提出一种基于层次分解的在线三维规划方法。首先,将高维强耦合协同规划问题按3层分解为低维的简单优化问题。其次,提出基于反双曲正切函数的协同指标参数的优化方法,以解决各无人机时间间隔过大导致绕飞消耗的问题。然后,提出基于滚动时域的三维快速搜索随机树^(*)(three dimensional rapidly-exploring random tree^(*)based on receding horizon,TRH-RRT^(*))在线航路规划算法,用有偏随机样本增加采样点利用率,用人工势场法引导RRT^(*)节点生长并基于滚动时域的节点去除法减少非必要的扫描过程。最后,针对多机会聚攻击任务进行了仿真验证,结果表明所提方法在航路规划时间及规划结果方面具备一定优越性。

基于改进RRT-Connect算法的路径规划研究

传统移动机器人的路径规划算法环境障碍建模复杂且容易陷入局部最小值,而基于采样的快速扩展随机树(RRT)算法通过随机节点快速扩展路径搜索效率低。RRT-Connect算法在RRT算法基础上提升了搜索效率,但存在路径曲折的问题。为此,在RRT-Connect算法基础上通过加入人工势场引导增长方法和目标偏置采样方法,改进算法规划路径的平滑性和速度。为验证改进算法的有效性,与RRT算法、RRT-Connect算法在不同复杂度环境中的执行性能进行比较。仿真实验的结果表明,改进算法在三种不同环境下的路径规划时间和路径规划长度以及标准差稳定性方面均优于其他两种算法。

基于优化快速搜索随机树算法的全局路径规划

为了改善传统快速搜索随机树(RRT)算法在全局路径规划中存在的平滑度差、具有潜在碰撞性等问题,提出了一种双重优化的RRT算法。在传统RRT算法基础上,引入自适应目标偏向策略以缩短采样时间,引入角度约束采样策略以适应车辆极限转角。得到初始路径后,建立二项优化函数(即降低路径曲率和远离障碍物),并将其作为基点进行梯度下降二次优化,生成可供车辆行驶、平滑性良好且碰撞概率低的路径,并进行仿真验证。结果表明:优化RRT算法相比于传统RRT算法、RRT-Connect算法和RRT算法,平均曲率分别降低了38.1%、36.4%和24.7%,曲率均方差分别降低了38.4%、38.4%和27.2%。

一种改进的RRT路径规划算法

本文以自主驾驶车辆为实际应用背景.提出了一种改进的RRT（快速随机搜索树）路径规划算法.该路径规划算法将非完整性约束条件与双向多步扩展RRT搜索算法相结合,在提高搜索效率的同时保证了规划路径的可行性.同时将路径点作为B样条基函数的控制点,用三次B样条函数来拟合控制点生成平滑可跟踪的路径.通过在平面障碍物环境下实验,验证了该算法的有效性.

一种基于RRT-ConCon改进的路径规划算法

针对RRT算法缺乏稳定性和收敛速度慢的问题,基于RRT-ConCon算法和朝向目标搜索的策略,提出了一种改进的双向搜索路径规划算法.该算法通过改变两条搜索路径的临时扩展目标点,使搜索路径不仅易于朝着目标点方向生长,而且提高了算法的稳定性,同时可以保证规划的路径接近最优解.改进的RRT-ConCon算法利用随机节点生成函数,使朝着目标点生长的搜索路径避免陷入局部极小值.同时,为了测试各种仿真实验环境,还设计了一种仿真实验环境平台,实验结果验证了本算法的有效性和稳定性.

基于多优化策略RRT的无人机实时航线规划

研究无人机在复杂战场环境中的实时航线规划问题。提出一种基于多优化策略RRT的无人机实时航线规划算法,解决了无人机在敌方雷达威胁密集部署环境下,面对突发威胁实时规划航线,实现安全飞行的问题。首先精确建立防空雷达模型,有效压缩雷达威胁空间;进一步设计基于目标启发的优化策略使算法能够快速收敛。采用冗余节点裁剪的策略减小航线长度,提高航线平滑性。仿真结果表明,该算法能够有效规避突发威胁,生成航线优化性良好。基于多优化策略RRT的无人机实时航线规划算法具备良好的实时性和优化性,能够满足复杂环境下无人机的安全飞行要求。

基于改进RRT算法的套管柔性针运动规划

运动规划是运动控制的基础,然而套管柔性针穿刺软组织的运动规划问题面临着巨大的挑战:一方面由于套管柔性针的运动是个非完整约束运动,另一方面要求套管柔性针绕过人体的某些生理结构障碍和敏感组织准确穿刺靶点。基于分析现有运动规划算法存在的不足,提出基于改进的快速探索随机树(RRT)的套管柔性针运动规划算法。提出贪婪启发策略并结合可达引导策略来改进传统RRT算法;引入直线段路径,采用直线、曲线结合的路径形式;同时考虑入射姿态的规划。基于套管柔性针的运动学模型,分别在二维和三维有障碍环境下进行仿真研究。结果表明,所提出的运动规划算法不论是在运算速度和收敛性上还是在路径形式和搜索的鲁棒性上都优于目前普遍采用的运动规划算法。这些优势为将来的实时运动规划奠定基础。最后对规划的路径进行了穿刺实验,结果证明实验路径与规划路径十分吻合,验证了所提出的路径规划算法的正确性和规划路径的可行性。

基于对比优化的RRT路径规划改进算法

针对动态环境下机器人RRT路径规划算法缺乏稳定性和偏离最优解的问题,提出一种基于对比优化的RRT路径规划改进算法。算法在新一周期的环境下,通过对上一周期路径树进行剪枝和重新规划得到一条稳定的路径,同时利用基本RRT算法规划出一条新路径,通过对比两条路径得到较优解。仿真和真实机器人实验结果均表明,改进的算法提高了动态复杂环境下RRT路径规划的稳定性,并保证了规划的路径逼近最优解。

改进RRT算法陷阱空间下的无人机航迹规划

针对大部分航迹规划算法在陷阱空间下,存在规划时间长、成功率低的问题,提出了一种改进RRT算法。通过将人与RRT算法相结合,由人设置虚拟目标点,引导航迹搜索走出陷阱空间;同时对节点扩展进行优化,保证航迹搜索在可行域内;并设置快速收敛策略,删除冗余节点,使航迹搜索速度加快。最后,通过仿真验证表明,该方法在陷阱空间规划中具有良好的效果,可快速规划可行航迹。

仿人机器人手臂抓取运动规划广义逆RRT算法

针对高维空间冗余仿人机器人手臂抓取对象运动规划时所面临的目标位形未知、抓取空间受限、位形空间存在大量障碍物等难题,提出了一种广义逆快速探索随机树法(RRT)避碰运动方法。首先,提出分层子维空间运动规划概念模型,建立了仿人机器人上肢手臂运动学和逆运动学模型;其次,提出一种加权最小范数广义逆RRT规划算法;最后,通过计算机三维仿真,采用基于有向包围盒法开发的碰撞检测算法,验证了该算法的有效性。