基于改进RRT算法的冗余机械臂路径规划研究

针对RRT算法在机械臂路径规划的过程中无方向性,在无障碍物处产生过多无用节点的问题,采用目标偏置、双向分段搜索的策略对RRT算法进行改进,提出了具有导向性的双向分段搜索的改进RRT算法并应用于七自由度冗余机械臂的路径规划上,通过Matlab进行了三维环境路径规划仿真实验,并通过ROS平台进行冗余机械臂在简单环境与狭窄环境的避障仿真实验。实验结果表明,改进的RRT算法能够有效地减少路径的节点数量与搜索时间,并提高路径规划的成功率。     

优化改进RRT和人工势场法的路径规划算法

针对传统快速搜索随机数(RRT)算法在规划路径中随机性较大，搜索效率较低且规划的路径不利于机器人移动等缺点，从3个方向进行改进。首先，对于随机树扩展时随机性较大的问题，将传统的扩展方向加入改进人工势场法约束，使得随机树偏向目标点生长；其次，将改进RRT算法规划的路径进行关键点提取，并优化路径；最后，将优化后的路径按照关键点分段使用改进评价函数的动态窗口法。实验表明，优化改进RRT算法相较于传统A^*算法、传统RRT算法在路径长度、路径规划时间以及拐点等方面效果都更好，融合算法在复杂环境中规划出的路径能够很好地避开障碍物，路径更加平滑且更短。     

基于改进RRT的核退役机器人避障方法

核退役机器人工作过程中,传统快速扩展随机树(Rapidly-exploring Random Tree, RRT)路径规划算法缺乏导向性,路径规划效率低,避障能力弱;为此,提出改进RRT路径规划算法,以提高作业效率和准确率。首先,引入目标偏置函数,并提出自适应步长,使RRT路径规划具有导向性,避免陷入局部最优;其次,采用启发式搜索思想,保留优于其父节点的随机搜索点为新节点;最后,修剪路径中的冗余节点,并采用贝塞尔曲线对路径进行平滑处理。在MATLAB平台上进行仿真,结果表明,改进RRT路径规划算法较传统RRT路径规划算法、RRT-connect路径规划算法效率更高,收敛性更强,可以很好地提高核退役机器人的避障能力。     

改进RRT算法的无人驾驶车辆路径规划研究

针对基础快速扩展随机树（Rapidly-exploring Random Trees,RRT）应用于无人驾驶车辆路径规划时缺乏导向性，收敛速度慢，路径平滑性差及规划结果并非最优解等问题，提出了一种基于RRT的路径规划改进算法。首先，设计了启发式采样策略：提出基于权重分配的目标指向的局部扩展方式，解决了节点盲目扩展的问题，避免了因目标偏向而出现路径陷入局部最小值的情况，并通过设置转角阈值约束节点转角范围，同时采用变步长采样策略，提高了算法局部避障能力；其次，对已得路径进行后处理：提出了节点优化策略，并用B样条曲线进行路径拟合，实现了路径长度的优化并满足平滑性要求，路径末端与目标点采用Reeds-Shepp曲线连接，解决了车辆抵达目标点时的航向问题。最后利用Matlab软件，将改进算法与基础RRT及其衍生算法进行了对比分析，验证了所提算法的有效性和优越性。     

机械臂工作路径的改进蚁群-顺序局部搜索规划

为了减少机械臂末端路径长度和关节转动角度之和，提出了改进蚁群-顺序局部搜索的路径规划策略。建立了机械臂路径规划问题模型，对机械臂关节空间节点进行了离散化。使用顺序局部搜索方法确定下一节点待选集合，依据蚁群算法原理确定优化意义下的下一路径节点。考虑到传统蚁群算法收敛慢、求解质量不高的问题，构造了局部信息素随蚂蚁聚集度自适应更新方法，进而提出了局部信息素自适应蚁群算法。经实验验证，在无障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了15.27%，关节转角和减少了0.78%。在障碍物环境下，与传统蚁群算法相比，自适应蚁群算法规划路径长度减少了3.26%，关节转角和减少了2.21%。在实物机械臂上进行验证，实验结果与仿真结果一致，验证了这里提出的路径规划方法的有效性。     

基于改进RRT*算法的机械臂路径规划研究

针对机械臂避障的难题,采用圆柱体包络法进行碰撞检测和RRT~*的改进算法进行路径搜索,规划出一条能够避免与已知障碍物碰撞,并且路径长度和规划时间较为优化的路径。RRT~*在原有RRT(快速随机树)基础上改进了父节点选择的方式,加入代价函数保证解的渐进最优性。在RRT~*基础上引入目标引力,减少路径搜索的随机性。同时,提出自适应步长避免陷入局部最优。在MATLAB平台上进行了RRT~*、RRT-connect及改进的RRT~*搜索算法的比较研究。结果表明,改进后的RRT~*算法在规划时间上和RRT-connect相近,在规划路径的长度上和RRT~*相近,同时具备时间和路径上的优势。以某品牌型号为WY700-1的机械臂进行了实验验证,结果表明,改进后的RRT~*搜索算法具备有效性和优越性。     

基于APF-RRT的双机械臂动态避障路径规划

针对传统人工势场法（Artificial potential field method,APF）在6自由度双机械臂系统避障路径规划中容易陷入局部极小值这一缺陷,提出了一种改进APF与改进快速扩展随机树算法（Rapidly-exploring random trees,RRT）相结合进行避障路径规划的方法。分析了双机械臂的工作空间,确认了双臂干涉的可能性。对于双机械臂的路径规划,利用改进后的APF对主机械臂进行路径规划,并将其作为从机械臂的动态障碍物,为从机械臂规划运动路径;利用改进后的RRT自适应地选择临时目标点,解决了从机械臂路径规划时陷入局部极小值的问题;利用改进的APF对从机械臂的剩余路径进行了规划。仿真分析表明,改进后的APF-RRT算法能比传统算法更加快速准确地解决双臂系统的避障路径规划问题。     

一种改进人工势场法的机械臂路径规划方法

针对人工势场法算法存在复杂障碍物环境中易陷入局部最小值无法运动的问题,本文提出了一种适用于静态环境中机械臂路径规划改进的人工势场法,通过在引力场中添加引力安全阈值,在斥力场中添加路径搜索当前点与目标点的欧式距离,引入自适应大步长的模拟退火算法对局部最小值进行逃逸。首先,修改势场函数模型;然后,当搜索路径陷入局部最小值时,采用自适应大步长的模拟退火算法往障碍物最少的空间逃逸;最后,在规划出来的路径上提出一种冗余节点删除策略与拐点消除算法,对规划出来的路径进行平滑处理。仿真和实验验证了本文提出的六自由度机械臂避障路径规划策略有效性。     

一种IPRRT的机械臂三维路径避障算法

标准RRT(Rapidly exploring random tree)算法进行路径规划时,存在规划时间长、规划路径质量差的问题。针对以上问题,提出一种IPRRT算法（Improved RRT algorithm）,首先通过重选父节点环节策略剔除冗余路段,区域排斥机制剔除冗余节点,缩短规划路径与规划时间;其次采用线段转角限位与评估函数提升路径质量,最后采用三次Hermite曲线对路径进行平滑处理;通过对深海机械臂进行仿真实验,验证了IPRRT算法的有效性。     

改进人工势场的机器人路径规划

为了克服人工势场法的缺陷、提高其路径规划性能,提出了改进的人工势场法。分析了人工势场法原理,针对其目标不可达问题,将机器人与目标点距离引入到斥力场函数,得到了改进的斥力场函数;针对局部最小值问题,引入逃逸力;为进一步提高算法性能,使用遗传算法优化参数设置,使得规划路径更加平滑;根据环境复杂度,提出了自适应步长调节算法。使用仿真实验对改进算法进行了验证,结果表明,改进算法可以克服传统算法目标不可达、局部最小值问题,而且改进算法路径更加平滑,自适应步长算法在路径规划中行走61步到达目标,固定步长法行走145步到达目标,充分说明了改进算法的优越性。     

机械臂多目标最优轨迹的自适应惩罚MOEA/D规划

为了减少机械臂的工作时间和工作过程中的冲击量,提出了基于自适应惩罚MOEA/D算法的时间-冲击多目标规划方法。介绍了PUMA560机械臂结构,并建立了机械臂的连杆坐标系。建立了以减小机械臂工作时间和冲击为综合目标的优化模型,并分析了5次多项式插值函数。通过编码和建立适应度函数,将轨迹规划问题转化为最优基因搜索问题。根据邻域内解的密度设置了自适应惩罚因子,提出了机械臂轨迹的自适应惩罚MOEA/D规划方法。经仿真验证,自适应惩罚MOEA/D算法搜索的Pareto前沿解质量高于标准MOEA/D算法、文献[10]新型MOEA/D算法。且经过优化,机械臂工作时间减少了7.68%,冲击减少了17.32%。实验结果表明,自适应惩罚MOEA/D算法在机械臂轨迹规划中具有优越性。     

基于自适应变换蝙蝠算法的机械臂轨迹优化

为了提高机械臂工作效率,同时减少能量损耗及所受冲击,提出了一种基于自适应变换蝙蝠算法（Adaptive transformation bat algorithm,ATBA）的轨迹优化方法。利用5次多项式插值建立机械臂轨迹模型,通过在标准蝙蝠算法（Bat algorithm,BA）的局部搜索中加入动态扰动系数,同时改进全局搜索与局部搜索的变换策略,得到了ATBA;将时间、能耗和冲击设为优化目标,对机械臂运动轨迹进行优化。对6自由度机械臂进行仿真分析,结果表明,该轨迹优化方法能有效地进行多目标寻优,得到理想的Pareto最优解集,通过实际工况构造归一化权重目标函数,选择期望解,较好地提高了轨迹、速度、加速度的平滑性及机械臂的运行效率。     

基于GB_RRT算法的机械臂路径规划

针对五自由度机械臂路径规划问题,提出一种基于快速扩展随机树(rapidly-exploring random tree,RRT)优化算法—GB_RRT算法。为弥补因基本RRT算法采样盲目性导致的效率低下的缺陷,GB_RRT算法采用高斯采样的方法进行启发式采样,同时结合贪婪扩展算法来提高随机树的局部扩展速度。为进一步缩短规划路径,该算法采用双向同时剪枝取最优的策略来删除不必要的采样节点。最后对机械臂进行了仿真实验和样机实验。实验结果表明,高斯采样法结合贪婪策略不仅降低了采样的盲目性,而且能够提高扩展树的扩展速度,更好地规避开障碍物;双向剪枝取最优的策略也在一定程度上缩短了规划路径的长度。     

基于A*算法和人工势场法的移动机器人路径规划

针对复杂非结构化环境下移动机器人的路径规划问题,提出了将全局与局部规划算法相融合的路径规划方法。首先,对传统A*方法进行了有效的改进,新的A*算法能够完成机器人的路径规划任务,利用二次A*搜索方法得到了优化后的路径点,缩短了移动机器人的行驶路径。进一步,动态切点法可以有效地对已规划路径进行平滑处理;然后,综合考虑路径和环境的情况,采用改进的人工势场方法对移动机器人进行了局部路径规划,通过增设虚拟子目标的方法解决局部极小值问题,利用自适应步长调节算法对移动机器人的步长进行了动态优化;最后,针对不同场景,利用数值仿真将该算法与传统算法进行比较,结果表明该算法在不同环境路径规划的问题上具有一定的先进性和优越性。     

基于双种群遗传混沌优化算法的最优时间轨迹规划

针对以最短运行时间为目标的工业机器人轨迹规划问题,提出一种基于混沌局部搜索的双种群遗传最优时间轨迹规划算法。首先以各个节点之间的时间间隔之和为优化目标,以各关节的角速度、角加速度和角加加速度为约束条件,利用五次多项式拟合规划的关节空间位置节点模拟机器人的运行轨迹;然后,利用双种群遗传算法全局搜索能力强、进化速度快和混沌算法局部搜索能力强的优点,提出一种基于双种群遗传混沌优化算法的机器人轨迹规划方法,规划最优时间轨迹;最后,以3自由度空间机械臂为例,验证了所提算法能够使机器人末端执行器的运行轨迹平滑且时间最优。该算法应用于机器人轨迹规划可以延长机器人使用寿命,提高生产效率。     

基于改进快速搜索随机树法的机械手路径优化

针对多关节机械手路径优化问题,提出一种改进快速搜索随机树(Rapidly-exploring randomtrees,RRT)优化算法.利用标准RRT算法规划初始可行路径,根据路径长度与路径安全性计算出该路径代价.在后期搜索树生长过程中,中间目标点并非随机采样,而是选择能使当前路径代价低于其之前路径代价的节点,同时对该节点进行距离检测,避免产生过于密集的节点集.为加快搜索树向未知区域的扩充速度,从最近节点向中间目标点扩充过程中,采用一种贪婪启发式扩充算法:节点以一定步长循环扩充,直至扩充到达目标节点或产生不连通节点.最后对6自由度检修机械手进行路径规划仿真试验,结果表明相对于标准RRT算法,规划路径的质量得到大幅提高.     

基于改进快速扩展随机树算法的双机械臂协同避障规划方法

提出了一种基于改进RRT算法的双机械臂协同避障运动规划方法。针对静态障碍物对主臂进行避障运动规划,寻找主臂可行路径。将主臂每一时刻的运动位姿视为规划从臂运动时的动态障碍物,为从臂规划可行运动路径。为提高算法的搜索效率,利用节点剪枝择优和设置目标区域的方式使算法快速收敛。在MATLAB程序建模实验的基础上,在ADAMS中进行仿真实验,验证了该算法的有效性和可行性。     

代价函数引导的机械臂运动规划算法

本文提出一种基于连杆运动方程的人工势场,引导基于转换的快速随机扩展树(T-RRT)改进算法采样,在高维度空间搜索低成本路径的同时解决机械臂运动规划中T-RRT算法收敛速度慢的问题。简化机械臂模型以提高碰撞检测的效率,并与运动学分析结合调制连杆运动方程,从而确定各质点轨迹长度、叠加以建立机械臂人工势场,作为代价函数判断状态节点的成本,引导其不断向目标位置逼近,同时为了进一步提高算法的扩张速度,引入剪枝函数对细化节点进行限制。在不同的障碍地图中进行MATLAB仿真实验,该算法与RRT、T-RRT算法相比,路径长度最短、节点采样效率最高、节点平均采样时间最优,运行时间分别缩短了约3/4及2/3。所提算法在提高路径质量的同时有效提高搜索效率,能适应环境的变化。     

多障碍环境下机械臂避障路径规划

为提高协作机器人在多障碍环境下的避障路径规划的成功率和效率,针对机械臂和障碍物提出碰撞检测方法,并提出低振荡人工势场—自适应快速扩展随机树(ARRT)混合算法进行路径规划,机械臂先采用低振荡人工势场法进行搜索,当遇到局部极小、碰撞等情况时切换成ARRT进行逃离,直至到达目标点.另外,为了在每个步长都取得最优的逆运动学关...     

基于改进RRT的轨迹规划算法研究

本文针对经典快速随机搜索树(RRT)算法存在搜索过于平均、效率低下、用时较长的缺陷,提出了基于偏向目标的改进RRT算法。该算法在生成随机点时以一定概率选择最终目标点作为局部目标点,使随机树趋向目标点生长,减少平均搜索的时间,提高了算法的实时性,同时优化了规划路径。最后采用MATLAB进行仿真实验,实验结果验证了改进算法在实时性和准确性方面的优越性。