为了减少移动机器人在自主探索过程中反复到达已知区域的次数,从而提高自主探索效率,提出一种高效率自主探索算法TMRRT(topological map based rapidly exploring random tree)。首先,将变生长率的局部与全局快速扩展随机树(RRT)作为探...为了减少移动机器人在自主探索过程中反复到达已知区域的次数,从而提高自主探索效率,提出一种高效率自主探索算法TMRRT(topological map based rapidly exploring random tree)。首先,将变生长率的局部与全局快速扩展随机树(RRT)作为探测器来发现地图的边界,并对前沿点进行聚类;同时,将最佳探测点存储下来作为拓扑地图,避免机器人反复到达已探索区域。最后,在不同环境下进行仿真并在实际环境中进行验证。实验结果显示,本文的探索算法相对于RRT算法平均探索时长减小了7.5%以上、平均路径长度减小了19.8%以上,相对于FA(frontier-based approach)自主探索算法平均探索时长减小了15.7%以上、平均路径长度减小了34.3%以上。结果表明,该算法可以有效提高机器人自主探索的效率,在实际环境中具有可行性。展开更多
文摘为了减少移动机器人在自主探索过程中反复到达已知区域的次数,从而提高自主探索效率,提出一种高效率自主探索算法TMRRT(topological map based rapidly exploring random tree)。首先,将变生长率的局部与全局快速扩展随机树(RRT)作为探测器来发现地图的边界,并对前沿点进行聚类;同时,将最佳探测点存储下来作为拓扑地图,避免机器人反复到达已探索区域。最后,在不同环境下进行仿真并在实际环境中进行验证。实验结果显示,本文的探索算法相对于RRT算法平均探索时长减小了7.5%以上、平均路径长度减小了19.8%以上,相对于FA(frontier-based approach)自主探索算法平均探索时长减小了15.7%以上、平均路径长度减小了34.3%以上。结果表明,该算法可以有效提高机器人自主探索的效率,在实际环境中具有可行性。
