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.     

机器人自主探索算法综述

随着机器人自主能力的提升和应用场景的多样化,机器人应用于未知复杂场景的需求不断增加,它在未知区域内自主完成环境全遍历并构建区域地图的探索算法成为研究热点。为了使更多研究者对机器人自主探索的研究现状有进一步的了解,首先对机器人自主探索的问题定义和运行框架进行介绍,其次根据相关文献研究,按照基于边界理论的自主探索算法、基于下一最优视角（NBV）思想的自主探索算法和其他自主探索算法三个方面展开综述,较为详细地介绍了基于边界理论和基于NBV思想这两种主流的自主探索算法,并对各类探索算法的优势以及局限性进行了分析,最后对未来自主探索的发展方向提出展望。     

针对包含狭窄通道复杂环境的高效RRT*△路径规划算法

针对RRT*算法在狭窄通道等复杂环境产生大量节点和收敛速度慢的问题,提出一种基于多种启发式策略和强化节点机制改进的高效RRT*路径规划算法(heuristic node enhancement informed RRT*,HNEI-RRT*).该算法首先采取组合启发式采样策略,快速找到初始路径之后在启发式子集内完成采样;同时提出启发式节点拒绝策略,拒绝不满足预设条件的节点参与后续扩展;其次,该算法提出强化节点机制,扩大节点蕴涵的信息,提高节点利用率.在各种障碍物分布和狭窄通道的复杂环境中的仿真结果表明,HNEI-RRT*算法的节点数量、收敛时间相比其他五类RRT*改进算法更少,验证了该算法能够节省内存花销的同时有效提高收敛速度.     

基于改进RRT*FN算法的机器人路径规划

针对固定节点数的渐近最优快速扩展随机数算法(RRT*FN)精度低、收敛到最优值速度慢等问题,提出一种改进的RRT*FN路径规划算法,并用于解决二维静态环境下的移动机器人全局路径规划问题.首先,改进算法使用与RRT*FN算法相同的均匀采样方法进行路径搜索,当搜索到一条初始路径时,在之后的路径规划中使用启发式采样方法.在之...     

未知环境下改进的基于RRT算法的移动机器人路径规划

方法的有效性.     

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。     

未知环境中移动机器人SLAM问题的研究进展

移动机器人的定位与地图创建是机器人研究中一个基础且重要的问题。本文对该领域的最新进展进行了综述．特别侧重于未知环境中机器人并发定位与地图创建(SLAM)问题；比较详细地分析了地图表示方法、定位和环境特征的提取、不确定信息的表示和处理等关键技术：同时对几种典型的SLAM方法进行了介绍：阐述了移动机器人SLAM问题研究中所面临的主要问题．并探计了将来的发展方向。     

基于信息增益一致性的多机器人地图融合算法

针对多机器人协同SLAM(同步定位与地图构建)的地图融合中,由于通信距离受限或网络拓扑变化造成信息缺失、从而影响全局地图构建的问题,提出一种基于信息增益一致性原理的动态地图融合算法.该算法是完全分布式的,且不依赖于任何特殊的机器人通信网络结构.该算法利用机器人所测局部地图的历史数据和当前数据之间的新增信息,使每个机器人都能同步地获取一致的、最新的全局地图.在有限的网络连接条件下,所提出的地图融合算法能够通过渐近收敛的方式获得准确的全局地图.在每一次迭代中,每个机器人得到的全局地图都是无偏的.在实验中通过实际环境的RGB-D(彩色-深度)数据验证了算法的有效性.     

基于改进RRT算法的移动机器人路径规划方法

针对RRT（快速随机搜索树）算法在复杂环境下规划效率低,且规划的路径不平滑的问题,提出一种改进的RRT算法。首先引入一种全新的目标偏向采样策略,在均匀采样得到的随机点与目标点的连线上随机取一个点作为新的随机点进行树的扩展。其次对冗余路径节点进行剪枝处理,将路径起始节点与后续节点连线与障碍物进行碰撞检测,滤除无效的弯折路径。最后采用多项式插值的方法,依据节点的边界条件进一步对路径进行曲率平滑处理。通过仿真实验验证,论文算法不仅极大地提升了原算法的规划效率,而且在很大程度上优化了路径。     

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。     

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。     

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。     

A Gaussian process-based RRT planner for the exploration of an unknown and cluttered environment with a UAV

A new framework which adopts a rapidly-exploring random tree (RRT) path planner with a Gaussian process (GP) occupancy map is developed for the navigation and exploration of an unknown but cluttered environment. The GP map outputs the probability of occupancy given any selected query point in the continuous space and thus makes it possible to explore the full space when used in conjunction with a continuous path planner. Furthermore, the GP map-generated path is embedded with the probability of collision along the path which lends itself to obstacle avoidance. Finally, the GP map-building algorithm is extended to include an exploration mission considering the differential constraints of a rotary unmanned aerial vehicle and the limitation arising from the environment. Using mutual information as an information-theoretic measure, an informative path which reduces the uncertainty of the environment is generated. Simulation results show that GP map combined with RRT planner can achieve the 3D navigation and exploration task successfully in unknown and complex environments.     

A multisine approach for trajectory optimization based on information gain

This paper presents a multisine approach for trajectory optimization based on information gain, with distance and orientation sensing to known beacons. It addresses the problem of active sensing, i.e. the selection of a robot motion or sequence of motions, which make the robot arrive in its desired goal configuration (position and orientation) with maximum accuracy, given the available sensor information. The optimal trajectory is parameterized as a linear combination of sinusoidal functions. An appropriate optimality criterion is selected which takes into account various requirements (such as maximum accuracy and minimum time). Several constraints can be formulated, e.g. with respect to collision avoidance. The optimal trajectory is then determined by numerical optimization techniques. The approach is applicable to both nonholonomic and holonomic robots. Its effectiveness is illustrated here for a nonholonomic wheeled mobile robot (WMR) in an environment with and without obstacles.     

融合有向D*与RRT*的移动机器人路径规划算法

针对快速扩展随机树(RRT)算法在复杂障碍物和狭窄通道环境中收敛速度慢,冗余节点多的问题,提出了一种融合有向D*与RRT*的路径规划算法,用于改善移动机器人在二维环境下路径规划的性能.首先,算法根据初始路径确定关键点,以它为圆心形成采样子集,在之后的迭代中,按概率在圆形子集和全部状态中选择采样空间.然后,利用变距离重新布线,通过大半径重新布线减少冗余节点,再利用小半径重新布线对障碍物顶点和转弯处进行优化,达到缩短路径长度和平滑路径的目的 .仿真结果表明,融合改进算法比对照算法的路径长度缩短了4.30％,搜索时间减少了25.91％,路径总步数减少了50.26％,且可以适应存在连续小洞和狭窄通道的特殊环境.     

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。     

信息增益区分频繁模式分类方法

基于频繁模式的分类应用研究尚处于初始阶段,但其在关系数据、文本文档与图等方面的分类应用已取得初步成果。系统地研究了基于信息增益区分的频繁模式分类问题,提出了一种基于信息增益区分的频繁模式分类模型(IGFPC),从理论上论证了该模型的可行性。通过建立模式频率与基于信息增益区分度量间的联系,提出了一种在挖掘有用频繁模式上设置最小支持度阀值的方法,基于该方法和提出的特征选择算法(IGPS),生成用以构建高质量模式分类器的区分频繁模式。实验研究显示基于信息增益区分的频繁模式分类框架模型能在分类大数据集上达到较好的扩展性能和较高的分类精度。     

基于信息增益的自适应主题爬行策略*

结合信息增益,提出了一种新的自适应主题爬行策略。利用维基百科的分类树和主题描述文档构建主题向量T,并在爬行过程中不断地进行自动学习,反馈更新主题向量空间中每个概念的权重,完善主题描述。实验结果表明,该方法具有增量爬行的能力,并在信息量总和上明显优于基于the interest ratio的自适应策略;且前者所爬取的网页更接近于与主题相关。