针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT,DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进...针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT,DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进而选择采样区域;在此基础上,利用基于安全距离的碰撞检测、概率目标偏置策略和多级步长扩展完成初始路径规划;最后,利用考虑最大转角约束的逆向寻优和3次B样条曲线对初始路径进行拟合优化.仿真结果表明,该算法相较于原始RRT算法在不同地图环境下的搜索时间和采样次数均降低50%以上,大大降低了节点搜索的盲目性和随机性,相较于其他算法搜索时间也减少30%以上,且优化后的路径平滑满足车辆运动动力学约束.展开更多
针对快速搜索随机树(rapidly-exploring random tree,RRT)算法在避障路径规划中存在的对地图适应性弱、采样质量差、无效节点多、规划时间长及路径质量差等问题,提出了一种改进RRT算法。首先,在传统RRT算法的基础上,基于地图复杂程度评...针对快速搜索随机树(rapidly-exploring random tree,RRT)算法在避障路径规划中存在的对地图适应性弱、采样质量差、无效节点多、规划时间长及路径质量差等问题,提出了一种改进RRT算法。首先,在传统RRT算法的基础上,基于地图复杂程度评估策略计算得到合适的步长及偏置概率,以实现对不同地图的自适应。然后,通过采样区域动态更新策略,使随机树在有效区域内进行采样,以确保随机树的正向生长;在确定采样区域后,利用采样点优化策略来提高采样点的有效性,使得随机树朝目标点附近生长。最后,采用节点重连策略对规划的初始避障路径进行优化,以获得一条弯折次数较少的避障路径。在Python及MATLAB环境中对改进RRT算法的可行性进行验证。结果表明,在面向复杂程度不同的地图和应用于机械臂时,改进RRT算法均能快速规划出一条无碰撞的高质量路径。研究结果可为提高机器人避障路径的规划效率提供参考。展开更多
针对快速搜索随机树(rapidly exploring random trees,RRT)路径规划算法存在搜索效率低、路径节点多以及路径质量差等问题,提出了ε-动态三角采样区域和过渡递归回溯的RRT路径规划算法(ε-dynamic triangular sampling region and trans...针对快速搜索随机树(rapidly exploring random trees,RRT)路径规划算法存在搜索效率低、路径节点多以及路径质量差等问题,提出了ε-动态三角采样区域和过渡递归回溯的RRT路径规划算法(ε-dynamic triangular sampling region and transition recursive backtracking,ε-DT-RRT)。由于RRT算法采样点随机性大,因此通过构建ε-动态三角采样区域,利用树中节点划分采样空间,减少低价值区域搜索次数,增强环境探索能力,提升采样效率。在此基础上,提出了基于障碍物生成过渡节点的方法,当新点与树中最近点之间存在障碍时,将会生成一个过渡节点,增加获取最优节点概率。最后通过递归回溯祖节点方法进一步减少路径中的冗余点,缩短了路径长度。实验结果表明:ε-DT-RRT算法在规划时间、路径质量、迭代次数等方面均优于对比算法。展开更多
文摘针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT,DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进而选择采样区域;在此基础上,利用基于安全距离的碰撞检测、概率目标偏置策略和多级步长扩展完成初始路径规划;最后,利用考虑最大转角约束的逆向寻优和3次B样条曲线对初始路径进行拟合优化.仿真结果表明,该算法相较于原始RRT算法在不同地图环境下的搜索时间和采样次数均降低50%以上,大大降低了节点搜索的盲目性和随机性,相较于其他算法搜索时间也减少30%以上,且优化后的路径平滑满足车辆运动动力学约束.
文摘针对快速搜索随机树(rapidly-exploring random tree,RRT)算法在避障路径规划中存在的对地图适应性弱、采样质量差、无效节点多、规划时间长及路径质量差等问题,提出了一种改进RRT算法。首先,在传统RRT算法的基础上,基于地图复杂程度评估策略计算得到合适的步长及偏置概率,以实现对不同地图的自适应。然后,通过采样区域动态更新策略,使随机树在有效区域内进行采样,以确保随机树的正向生长;在确定采样区域后,利用采样点优化策略来提高采样点的有效性,使得随机树朝目标点附近生长。最后,采用节点重连策略对规划的初始避障路径进行优化,以获得一条弯折次数较少的避障路径。在Python及MATLAB环境中对改进RRT算法的可行性进行验证。结果表明,在面向复杂程度不同的地图和应用于机械臂时,改进RRT算法均能快速规划出一条无碰撞的高质量路径。研究结果可为提高机器人避障路径的规划效率提供参考。
文摘针对快速搜索随机树(rapidly exploring random trees,RRT)路径规划算法存在搜索效率低、路径节点多以及路径质量差等问题,提出了ε-动态三角采样区域和过渡递归回溯的RRT路径规划算法(ε-dynamic triangular sampling region and transition recursive backtracking,ε-DT-RRT)。由于RRT算法采样点随机性大,因此通过构建ε-动态三角采样区域,利用树中节点划分采样空间,减少低价值区域搜索次数,增强环境探索能力,提升采样效率。在此基础上,提出了基于障碍物生成过渡节点的方法,当新点与树中最近点之间存在障碍时,将会生成一个过渡节点,增加获取最优节点概率。最后通过递归回溯祖节点方法进一步减少路径中的冗余点,缩短了路径长度。实验结果表明:ε-DT-RRT算法在规划时间、路径质量、迭代次数等方面均优于对比算法。
