为了解决快速搜索随机树(Rapid-exploration Random Tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用KD-Tree算法将待规划空间进行多级...为了解决快速搜索随机树(Rapid-exploration Random Tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用KD-Tree算法将待规划空间进行多级分割;其次,在RRT算法的基础上引入变权重的人工势场法,算法的主要作用是实现避开障碍物和启发式搜索;最后,实现对RRT算法的改进。通过对改进的RRT算法进行仿真验证,结果表明:该算法缩短了路径规划的时间,减少采样点数目,使生成的路径更加平滑,更适用于机器人在多障碍物环境中的路径规划。展开更多
文摘为了解决快速搜索随机树(Rapid-exploration Random Tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用KD-Tree算法将待规划空间进行多级分割;其次,在RRT算法的基础上引入变权重的人工势场法,算法的主要作用是实现避开障碍物和启发式搜索;最后,实现对RRT算法的改进。通过对改进的RRT算法进行仿真验证,结果表明:该算法缩短了路径规划的时间,减少采样点数目,使生成的路径更加平滑,更适用于机器人在多障碍物环境中的路径规划。