针对标准快速扩展随机树(Rapidly Exploring Random Tree,RRT)算法在复杂环境下存在盲目扩展、陷入局部搜索易导致规划失败、采样成功率低、路径冗长等问题,提出一种自适应目标导向策略结合区域采样备选策略以及贪婪剪枝策略的改进RRT...针对标准快速扩展随机树(Rapidly Exploring Random Tree,RRT)算法在复杂环境下存在盲目扩展、陷入局部搜索易导致规划失败、采样成功率低、路径冗长等问题,提出一种自适应目标导向策略结合区域采样备选策略以及贪婪剪枝策略的改进RRT算法。在机械臂运动学基础上,用包络简化机械臂模型来提高碰撞检测的效率;自适应目标导向策略解决了复杂环境中RRT算法盲目搜索、搜索成功率低、不易收敛的问题;区域采样备选策略解决了RRT算法易陷入局部搜索、采样成功率低以及采样时间长的问题;贪婪剪枝策略剔除了冗余节点,缩短了路径,提升了路径质量,增强了算法的鲁棒性。在Matlab软件和机器人操作系统(Robot Operating System,ROS)中对不同场景进行了避障仿真规划。结果表明,改进RRT算法平均搜索成功率提高了82.4%,平均采样成功率提高了67.5%,平均路径规划成功率提高了70%,平均时间效率提高了81.9%,平均路径长度缩短了63.05%。最后,对实体机械臂进行轨迹规划,进一步验证了算法的实用性与有效性。展开更多
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...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.展开更多
文摘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.
