基于改进RRT-Connect算法的机械臂抓取路径规划

本文针对机械臂在目标抓取过程中存在路径长、搜索效率低等问题,提出一种改进RRT-Connect(双树快速随机扩展连接树)路径规划策略.首先,为了降低传统RRT-Connect路径搜索的随机性,增加目标偏执策略,同时引进极致贪婪函数,提高其收敛速度.其次,利用Dijkstra算法进行路径优化,得到最小路径,再引用B样条函...     

基于PS-RRT算法的机械臂避障路径规划

针对应用快速搜索随机树（RRT）算法进行机械臂路径规划时,存在采样区域大、有效区域小、路径冗余节点多、剪枝时间长等问题,提出一种基于分区动态采样策略和重复区域节点拒绝机制的高效RRT路径规划算法PS-RRT（partitioned sampling RRT）。首先,通过PS-RRT快速规划机械臂末端初始路径;其次,分段检测机械臂跟随该路径时的连杆碰撞情况,对碰撞路段进行带臂形约束的第二次规划;最后,将初始路径和第二次规划的路径拼接后进行路径裁剪。将所提方法在多种场景中进行仿真验证,结果表明：基于PS-RRT算法的机械臂避障路径规划策略使得无效节点数大幅减少,可高效规划出机械臂的无碰路径,验证了算法的可行性。     

改进的快速扩展随机树路径规划算法

针对快速扩展随机树(RRT)路径规划算法缺乏稳定性和偏离最优解的问题,提出了一基于RRT的偏向性路径搜索算法(m-RRT).m-RRT采用生成随机点向量组的形式对随机点选取策略进行了优化,改善快速扩展随机树的不确定性,减少不必要的扩展,而加快向目标位置搜索的速度,且得到的路径优于RRT算法的结果.通过其在二维平面路径规划和三维机械臂路径规划的测试,表明其具有一定的应用价值.     

基于低差异序列与快速扩展随机树融合算法的机械臂路径规划EI北大核心CSCD

针对机械臂在高维关节空间下路径规划效率低的问题,本文提出了一种基于低差异序列与快速扩展随机树融合的路径规划算法.该方法首次使用Sobol序列代替快速扩展随机树中的伪随机序列,从而生成均匀差异采样点,且在采样过程中通过建立采样池对采样点进行优选,提高了采样点质量和采样效率.在此基础上,为使规划的路径变得光滑,本文采用基于最小二乘法的多项式拟合方法对各关节角的离散点进行后处理.实验部分首先在二维空间中进行算法性能分析,证明了本文改进的算法能够快速稳定的避开障碍物到达目标点;最后以AUBO–i5机械臂为原型开展了实验研究,验证了所提算法在机械臂上应用的优势.     

基于改进PRM的采摘机器人机械臂避障路径规划

针对采摘机器人机械臂在不确定的环境中进行采摘作业的要求,提出了一种基于改进概率地图(PRM)算法的机械臂避障路径规划方法。将机械臂工作空间分割成离散单元集合,通过遍历的方法,获得机械臂工作空间中任意离散单元与机械臂有撞位姿之间的映射关系。将空间障碍物分割成离散单元,并通过索引映射关系获得与障碍物有撞的所有机械臂位姿信息,并以此建立关节构形空间。通过PRM算法在关节构形空间中快速搜索机械臂避障路径。仿真结果表明:相比传统PRM算法,改进算法速度提高22. 2%,能够有效地实现机械臂无碰撞路径规划。     

基于ROS六轴机械臂运动规划研究

使用机器人操作系统（Robot Operating System, ROS）作为仿真平台，基于六自由度机械臂，对其工作效率及安全性的运动规划问题展开研究。通过SolidWorks建立机械臂模型，并通过SW2URDF插件将模型转换为XML格式的URDF机器人描述文件。利用ROS Moveit！中内置机械臂设置助手Moveit! Setup Assistant生成运动规划相关文件，通过Moveit!下C++接口对机械臂进行轨迹规划，在可视化三维平台Rviz中对笛卡尔空间直线与圆弧插补进行仿真。使用快速扩张随机树和渐进最优快速随机搜索树路径规划算法，实现高维空间的无碰撞路径规划，并通过仿真结果得出RRT-star算法收敛速度更快、搜索成功率更高的结论，保证机械臂的正常作业。     

冗余自由度协作机器人运动规划研究

针对传统快速探索随机树(Rapidly Exploring Random Tree,RRT)路径规划算法在新枝点扩展上缺乏目标性和时间复杂度高的问题,以具有偏置构型的7自由度冗余机器人Rethink Sawyer为研究对象,利用引力势函数,对新枝点的扩展进行调节,提出了具有导向性的变步长双向RRT扩展算法完成协作机器人运动规划.采用阻尼最小二乘Newton-Raphson方法对Sawyer机器人逆运动学进行数值求解.通过机械臂运动学模型和运动规划算法仿真、ROS平台的运动规划实验,验证了改进RRT算法进行路径规划的正确性,在操作过程中有效地避免了与约束框架碰撞,降低了机械臂运动规划的时间复杂度.     

渐进式约束扩展的机械臂运动规划算法

为了保证冗余机械臂带约束运动规划时的路径连续性,针对目前的直接插值和连续插值方法潜在的约束失效和路径失效问题,提出渐进式约束扩展的快速搜索随机树算法（PCE-RRT）。该算法在进行搜索树扩展时引入了一种渐进式约束扩展方法,该方法使用带有最近点信息的逆运动学计算策略,可以在保证任务约束的情况下迭代缩短最近点和扩展点的距离,让每一次扩展都能够保证搜索树的约束性和连续性。PCE-RRT可以使最终生成的搜索树很好地贴合于约束流形子空间,且树上任意两个相连节点都能满足连续条件。通过仿真实验对算法进行验证,实验结果表明该算法能够为机械臂带约束运动规划问题提供同时满足约束性和连续性条件的路径解。     

机器人路径规划的快速扩展随机树算法综述

路径规划是移动机器人的重要研究内容。快速扩展随机树（Rapidly-Exploring Random Tree，RRT）算法因在机器人路径规划中的成功应用，自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法，相对传统路径规划算法，具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质，并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后，展望了算法未来的研究方向与挑战。     

隘路环境下排爆机械臂Multi-RRT路径规划算法

排爆机械臂通常工作在类似隘路的环境中,传统的基于采样的路径规划方法在隘路环境下计算效率较低;提出一种采样增强的Multi-RRT路径规划方法,该方法分为两个部分:第一部分为区域随机桥采样法,该方法以采样特征决定局部C空间(configuration space)随机桥测试的参数并采集有限隘路样本;第二部分为Multi-RRT算法,以起始点、目标点和随机桥采样所得点为树根,多树多方向协调生长规划路径;仿真实验结果表明该方法提高了快速扩展随机树算法的计算效率,有效地解决了隘路环境下排爆机械臂的路径规划问题,适用于多维高自由度机器人系统的路径规划。     

移动机器人RRT算法改进研究

目前,机器人路径规划常用算法有避障(Bug)算法、概率路线图(PRM)算法、快速搜索随机树(RRT)算法、蚁群算法、人工势场法等,其中RRT算法在路径规划中应用最广。针对RRT算法存在随机性强、偏差大、路径不一定最优、收敛速度慢等缺点,对RRT算法进行改进,引导随机树向目标点生长,借助人工势场的引力思想,并加入自适应策略,通过机器人与目标点位置、速度和加速度的不断变化来改变步长大小,使机器人快速到达目标点。实验结果表明,通过自适应RRT算法可以提高算法收敛性,缩短了算法时间,可以有效应用在移动机器人系统上,提高移动机器人的工作效率。     

基于改进RRT算法的无人车路径规划

针对无人车在复杂环境中进行全局路径规划时存在的盲目搜索、节点冗余、路径不光滑及不安全等问题,提出一种基于快速扩展随机树(RRT,rapidly-exploring random tree)的综合改进路径规划算法;首先引入目标动态概率采样策略和人工势场引导随机树扩展机制;其次根据汽车运动学模型,对规划的路径进行转角约束和碰撞检测,保证路径的安全性;然后引入Reeds-Sheep曲线用于直接与目标位姿进行连接,避免多余的位姿调整;最后对路径进行剪枝和平滑处理,得到一条更短更光滑的路径;在实验部分,针对不同仿真环境,以规划时间、路径长度和节点数目作为评价指标,对比了RRT算法、RRT*算法和文章算法的路径规划效果;实验结果显示,文章算法相比于RRT算法和RRT*算法,节点数目分别减少了58.94%和85.22%,规划时间分别缩短了61.20%和79.23%,且路径长度相比于RRT算法缩短了17.26%,并和RRT*算法规划的最优路径长度相近。     

面向未知地图的六足机器人路径规划算法

针对移动机器人路径规划中无法准确得知全局地图的问题,提出了一种基于模糊规则和人工势场法的局部路径规划算法。首先,利用测距组与模糊规则,进行障碍物的形状分类,构建局部地图;其次,在人工势场法中引入了一种修正的斥力函数,基于局部地图,利用人工势场法进行局部路径规划;最后,随着机器人的运动,设置时间断点,以减少路径震荡。针对随机障碍物和凹凸障碍物的地图,分别采用传统人工势场法和改进的人工势场法进行仿真,其结果表明：在遇到随机障碍物时,相比传统人工势场法,改进的人工势场法能够显著减少与障碍物的碰撞;在遇到凹凸障碍物时,改进的人工势场法能够很好地完成路径规划的目标。所提算法对地形变化适应能力强,能够实现在未知地图下的六足机器人路径规划。     

六轴工业机器人先验引导RRT*避障轨迹算法研究

针对六轴工业机器人装配避障路径运动问题,研究了机器人整体避障运动路径规划方法,提出一种RRT*改进算法;算法以RRT*算法为基础,在障碍物建模中引入包围盒算法,加入对机器人各轴与障碍物的碰撞检测;在路径规划中加入对随机点生成方向与树枝生长方向的先验引导机制,优化了算法路径长度与路径搜寻效率;通过Matlab进行了试验验证,结果表明与标准RRT*算法相比,先验引导RRT*算法缩短路径长度14%左右,且满足机器人末端路径与手臂各轴的避障需求。     

基于量子行为烟花算法的移动机器人路径规划及平滑

针对移动机器人全局路径规划问题,提出一种基于量子行为烟花算法(quantum-behaved fireworks algorithm,QFWA)的路径规划方法.改进算法在基本烟花算法(fireworks algorithm, FWA)的基础上增加了基于量子行为的烟花爆炸策略.该策略使得种群在接近全局最优时具有较强的局部搜索能力,同时在种群远离全局最优位置时具有较强的全局搜索能力.改进算法提高了烟花爆炸产生火花的多样性和算法的收敛速度.在Benchmark测试函数上将改进算法与其他几种优化算法进行了对比,结果表明改进算法的性能优于其他算法.将QFWA应用于求解移动机器人路径规划问题,并采用均值滤波结合人工势场法对规划出的路径进行路径平滑处理.仿真实验结果表明改进方法在移动机器人路径规划问题上的可行性和有效性.     

改进RRT*的室内机器人路径规划算法

路径规划在室内机器人的应用中有着无可比拟的作用。为了提高路径规划算法收敛的速度,综合时间消耗和路径质量方面考虑,针对RRT*（渐进最优快速扩展随机树）算法的局限性,提出一种改进的RRT*算法。该算法采用目的性的设置采样点代替原算法中的随机高斯采样和引进人工势场与避障策略结合的思想,设置目标偏向性,引导随机树生长方向,然后利用曼哈顿距离代替欧几里得距离作为代价估值函数,防止陷入极小值以及一定程度上减小算法时间损耗。实验表明,该方法可有效平衡算法收敛时间与最佳路径的可靠性。     

涡流人工势场引导下的RRT*移动机器人路径规划

为了解决快速扩展随机树(RRT)在障碍物密集、通道狭窄的环境中收敛速度缓慢、采样节点密集、路径曲折复杂等问题,围绕RRT的一种常见的变体算法RRT*,设计了一种由人工势场(APF)引导RRT*进行路径规划的方法。首先,使用涡流约束向外发散的斥力场,沿着切向梯度方向形成涡流场,并利用涡流人工势场(VAPF)在RRT*偏向区域中引导采样节点进行偏向采样,以减少执行时间,加快收敛速度;同时,利用节点拒绝技术去除高成本节点和无效节点,生成节点更为集中的轨迹树,降低内存需求;最后,通过修剪路径中的多余节点,并利用涡流势场的特性对路径进行平滑处理,达到路径优化的效果。考虑到RRT类算法具有概率随机性,对RRT算法、改进RRT*算法和VAPF-RRT*算法分别进行了32次对比实验。仿真结果表明,提出的VAPFRRT*算法明显降低了迭代次数,以更少的采样节点和执行时间收敛到更短更平滑的路径,提高了内存利用率,加快了收敛速度。     

移动机器人实时采样路径重规划

针对传统采样规划算法因随机性强,在动态环境中重规划时路径质量差,抖动严重,实时优化效果不明显等问题,提出了一种利用反向生长最优快速搜索随机树的实时采样重规划算法DRT-RRT*（Dynamic Real-Time RRT*）。引入基于三角不等式的剪枝策略对路径进行平滑处理以减少路径拐点;提出了组合采样策略和局部终点跳动策略,将优化目标由全局路径聚焦于机器人当前位置至最近路径拐点的局部路径段,实时对执行路径段进行修正,进而提高路径质量的稳定性;在路径重规划时仅对受影响的随机树枝进行修剪,并在随机树重新生长时引入了目标偏置采样策略,与组合采样策略共同作用,提高路径搜索速率和稳定程度;将DRT-RRT*与RRT*和增加了三角不等式剪枝策略的RRT*-Pruning进行仿真对比分析,实验结果验证了DRT-RRT*重规划的高效性和稳定性。     

改进人工势场法的移动机器人路径规划

传统人工势场法在路径规划过程中易陷入势场局部最小点和陷阱区域,面对较为复杂的障碍物环绕环境也难以规划出完整路径。针对这个问题,提出了一种改进人工势场法。引入机器人前进的方向向量,对斥力的生成和计算机制进行了调整以解决其处于局部最小点情况下无法继续规划路径的问题;添加了判断机制以识别周边环境状况,当机器人处于陷阱区域等复杂环境下时设立虚拟目标点以引导其向外运动从而摆脱陷阱区域。结果表明,改进算法可以有效解决传统算法容易出现的路径规划中断情况;同时与传统算法相比,其在随机障碍物环境中的规划路径长度减少,有效提高了路径规划效率。