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IRRT-Connect的自适应路径规划算法

针对在复杂障碍环境下IRRT-Connect算法采样目的性弱、收敛速度慢和路径优化效果差的问题,本文提出了一种依赖环境复杂度的基于IRRT-Connect的自适应路径规划算法。该算法采用IRRT-Connect算法进行初始路径规划以提高初次路径规划效率;其次,该算法引入采样约束概率p对可采样区域进行限制,增强算法采样目的性;最后设计基于环境障碍系数的步长计算方法以实现扩展步长自适应动态调整,增强算法通过复杂环境的能力。通过多组实验对比表明,在复杂环境下,算法节点数减少了9.75%,且路径长度减少了20.82%,规划时间缩短了3.08%,证明本文所改进的IRRT-Connect自适应步长路径规划算法具有较强的适应环境能力,节点利用率高,规划效果更佳。

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%。

基于队形变化的多无人机航迹规划算法

针对多无人机在复杂环境下的航迹规划问题,文中提出基于队形变化的多无人机航迹规划算法。利用领航-跟随的无人机拓扑结构,设计了一种以时间与航程作为衡量指标的代价函数,求解出最优的编队集结点。采用改进的Informed-RRT*算法求解出领航者的渐近最优航迹,结合队形变化策略实现了跟随者的航迹规划与避障。在定义队形变化量、路径长度比、航向稳定性性能指标的基础上,文中进行了仿真实验并对生成航迹进行评价与对比。仿真结果表明,无人机编队实现了在复杂环境下航迹规划与避障,同时为跟随者规划出最优航迹,与领航者最优航迹长度相差不到1%,验证了该算法的实用性与有效性。