机器人信息增益RRT环境探索算法

由于传统RRT(rapidly-exploring random trees)路径规划算法固有的盲目探索的问题,机器人到达目标点时除起始点扩展到目标点的路径之外还会生成其他与结果无关的分支路径与节点,为使这些分支路径得到利用并且减少探索的盲目性,提出基于信息增益与RRT思想相结合的机器人环境探索策略.该方法对未知环境中的节点进行信息估计,选取具有最大信息增益的节点作为采样节点,且每次都会生成最大信息增益的新节点进行扩展.该策略使机器人能完成对未知环境的探索,还可以降低传统RRT算法固有的盲目性.仿真实验结果表明,所提出方法能够有效快速地帮助机器人探索未知环境,实现环境探索.     

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.     

基于快速扩展随机树—贪婪边界搜索的多机器人协同空间探索方法

传统多机协同探索算法存在鲁棒性较差、探索效率较低、环境障碍感知不完全等问题,为此本文提出一种基于快速扩展随机树－贪婪边界搜索（ RRT-GFE）的多机器人协同空间探索方法。首先,采用 Thiessen 多边形对环境进行建模与划分,利用 RRT 边界探索算法依次对所有 Thiessen 多边形进行探索;其次,在 RRT 边界探索算法的基础上,引入 GFE 算法进行细化搜索,并提取连续边界域的形心作为探索目标点;再次,利用划分所形成的多边形区域以及所提取出的边界点,采用基于改进市场机制的多机器人任务分配方法对探索目标点进行动态分配,并在探索过程中采用地图融合算法进行局部地图的实时融合;最后,基于机器人操作系统（ ROS）搭建仿真／样机测试平台并进行了一系列实验验证。结果表明,无论在仿真还是样机实验中,基于 RRT-GFE 的多机器人协同探索算法均能取得更加省时高效的探索效果。     

基于强化学习的快速探索随机树特殊环境中路径重规划算法

针对移动机器人在未知的特殊环境(如U型、狭窄且不规则通道等)下路径规划效率低问题,本文提出一种强化学习(RL)驱动快速探索随机树(RRT)的局部路径重规划方法(RL-RRT).该方法利用Sarsa(λ)优化RRT的随机树扩展过程,既保持未知环境中RRT的随机探索性,又利用Sarsa(λ)缩减无效区域的探索代价.具体来说,在满足移动机器人运动学模型约束的同时,通过设定扩展节点的回报函数、目标距离函数和平滑度目标函数,缩减无效节点,加速探索过程,从而达到路径规划多目标决策优化的目标.仿真实验中,将本方法用于多种未知的特殊环境,实验结果显示出RL-RRT算法的可行性、有效性及其性能优势.     

基于子目标搜索的机器人目标导向RRT路径规划算法

为解决移动机器人未知环境下的路径规划问题,提出基于子目标搜索的机器人目标导向RRT(rapidly- exploring random trees)路径规划算法.一方面,针对传统RRT算法固有的盲目搜索问题,引入目标导向函数,形成目标导向RRT路径规划算法,这一改进可减少冗余搜索,提高路径规划效率;另一方面,为了使机器人在首次探索未知环境时也能顺利抵达目标点,提出3种不同情况下的子目标搜索策略,包括无障碍环境下的直达策略、扫到边界点时的最短距离策略和扫不到边界点时的后退策略,这3种策略使机器人能够完成对未知环境的探索,而且可以克服易出现的局部极小点问题,使机器人具有逃离局部极小环境的能力.仿真实验结果验证了所提出算法的可行性和有效性.     

动态环境下基于人工势场引导的RRT路径规划算法

现有的大多数动态RRT路径规划算法不能使规划的路径远离障碍物,这有可能导致机器人没有足够的避障时间。针对此问题,提出了一种利用人工势场引导快速扩展随机树向目标区域生长并远离障碍物的改进RRT算法APFG-RRT(artificial potential field guided RRT)。为了进一步加快算法的收敛速度、加速算法跳出局部极小值,引入了一种按自适应概率选择目标点作为采样点的策略;针对动态环境采用全局规划结合局部重新规划的方法以提高算法的实时性。仿真实验表明,相比于初始RRT和Goal-bias RRT,APFG-RRT的计算效率更高,内存需求更小,并且搜索到的路径能够有效地远离障碍物,提高了动态路径规划的成功率。     

采用碰撞测试和回归机制的非完整约束机器人快速扩展随机树运动规划

本文提出一种改进的快速扩展随机树(rapidly-exploring random trees,RRT)运动规划方法,用于非完整微分约束下的机器人运动规划.针对类似目标偏好与双向RRT(bi-directional RRT,bi-RRT)等目标区域导向的RRT运动规划所存在的局部极小问题,结合回归检测与碰撞检测机制,设计了一种碰撞检测与回归机制(collision-test and regression mechanism,CR)机制.该方法使得机器人在规划过程中能获取到全局障碍物信息,从而避免对已扩展节点的重复搜索,以及重复对边缘节点的回归测试和避障检测.该机制使得机器人可加快跳出局部极小区域,提高运动规划实的时性.将改进的RRT运动算法在容易产生局部极小值的环境中仿真测试,结果表明该算法在不显著影响其他性能的前提下,可以明显提高规划的实时性.     

基于拓扑地图的移动机器人室内环境高效自主探索算法

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。     

改进RRT算法的室内移动机器人路径规划

针对传统RRT（快速扩展随机树）寻路算法由于扩展点的随机选取而存在搜索平均、采样效率低、偏离最优解的缺陷,提出一种偏向目标型的改进RRT算法。该算法采用目标偏向策略和气味扩散法来改善扩展节点的选取,使得随机树的生长趋向于目标点,并提出一种基于3次B样条曲线的路径平滑方法,极大地提升了搜索效率和路径质量。在仿真环境下对算法有效性进行验证,并将算法应用到真实环境下。仿真结果表明,与传统RRT算法相比,改进算法的路径长度缩短约22.1%,且路径更为平滑,在复杂环境中避障能力强。将改进RRT算法应用到Turtlebot2中,在真实环境下开展实验,实验结果证明了该算法的可靠性和实用性。     

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。