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。     

基于B-RRT*FND算法的移动机器人路径规划

针对RRT*FN算法获取路径解的速度慢,且无法应用于动态环境等问题,提出固定节点数的动态双向渐近最优快速随机扩展树算法(bidrectional RRT* fix-node dynamic, B-RRT*FND),用于解决移动机器人在二维空间内快速实时获取无碰撞路径的问题.所提出算法基于RRT*FN算法,采用双向贪婪搜索方法加快路径搜索速度,解决单向RRT算法由于随机采样的盲目性造成的搜索速度慢、在狭窄环境下难以搜索到解的问题;利用固定节点算法在规划过程中不占用过多计算量的特点,在路径迭代优化过程中,实时更新地图信息,并对被破坏的原始路径进行修复重连,以完成算法的动态规划.将所提出算法与RRT、RRT*FN等算法在3种环境下进行对比仿真,验证结果表明,所提出算法在规划速度、路径解长度以及动态规划性能方面具有较好效果.     

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。     

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.在之后的每次迭代中,改进算法在椭圆子集采样方法与路径点邻近区域采样方法中随机选择一种作为当前采样方法.然后,当树中的总节点数达到预设值时,对树中的叶子结点采用加权方法进行删除.通过给予采样区域内的叶子结点更高的权重,从而将采样区域外的叶子结点以更高概率删除,得以保留树中的高性能节点,以便提高算法性能.最后,通过仿真实验验证改进算法的有效性.     

基于改进Bi-RRT的移动机器人路径规划算法

双向快速扩展随机树(Bi-RRT)算法因采样点的随机性导致在复杂环境中的路径规划存在搜索时间长、采样效率低等问题,为此提出了一种改进Bi-RRT的移动机器人路径规划算法;算法引入启发式搜索策略,分别以机器人的起点和终点为中心,构造了二维高斯分布函数,并用该概率密度函数约束采样点的生成,使得越接近目标点的空间采样点出现概率越大,同时保留部分均匀分布的采样点,这样采样过程既可以利用目标点的位置信息又保证了算法的概率完备性;通过算法设计的启发式采样点的引导,两棵随机树可以快速向着目标区域生长,降低了搜索的盲目性,提高了搜索的效率;仿真结果：相比于基本Bi-RRT算法,改进算法在复杂环境下规划时间缩短了43.9%,扩展节点数目减少了41.4%,路径长度优化了8.1%,并分析了高斯分布采样点占采样点总数的比值对算法性能的影响。     

基于信息启发的目标导向Bi-RRT机器人路径规划

针对双向快速搜索随机树(Bi-RRT)算法节点扩展的随机性和盲目性导致路径规划效率低、路径粗糙的问题，提出一种基于信息启发的目标导向Bi-RRT算法。首先，为降低节点扩展的随机性和盲目性，优化了树节点的扩展方式，采用回归分析生成的节点信息优化扩展节点评价函数，以强化节点生长的目标趋向性，并由节点与环境代价约束扩展方向。然后，采用分支定界思想剔除初始路径中的冗余节点，得到满足最大转向角约束的路径，并运用B样条曲线进行路径平滑，提高路径的平滑性和连续性。最后，基于MATLAB仿真平台对本文算法和经典路径规划算法在不同环境中进行了实验对比，实验结果验证了本文算法的有效性及可执行性。     

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.     

室内场景下应用拓扑结构的高效路径规划算法

针对基于随机采样的路径规划算法效率低且采样具有随机性的问题,提出一种应用拓扑结构的高效路径规划算法ATIRRT^*。通过引入拓扑节点代替STIRRT*算法中Harris角点检测算法得到的特征点进行采样,给出基于阈值的自适应选择方法来消除路径骨架上提取的冗余特征点,利用该阈值得到的拓扑节点可以使随机树的扩展更具方向性,从而减少寻找初始路径的时间和代价。根据非单一父节点的连接方式加强交叉支路上的拓扑节点间的联系,通过节点扩充策略增加相邻拓扑节点间的节点数量以加快优化算法的收敛。在此基础上定义相关约束条件将初始路径分段并进行逐段优化,以提高优化算法的效率。在常规环境、狭长空间和仿真的室内环境3种类型地图上的仿真结果表明,相较于STIRRT^*算法,改进算法在规划路径长度上平均减少8%,在规划时间上平均降低10%,可快速地找到更优的初始路径,同时在优化过程中减少了无用的探索空间,提高了搜索效率。     

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。     

基于改进RRT算法的差动机器人路径规划

为了解决快速扩展随机树(RRT)算法在差动机器人路径规划中存在的最近邻函数不合理、收敛速度慢、路径曲折等问题,提出一种改进RRT算法。该算法沿用RRT算法基本框架,在最近邻函数中添加角度变化,以满足差动机器人自身约束;在节点扩展阶段引入启发步长因子,使扩展步长根据节点位置和扩展方向动态调整,加快搜索效率的同时兼顾规划成功率;对初始规划路径进行修剪和平滑处理,以得到差动机器人的可执行路径。仿真实验结果表明,该算法减少了路径搜索时间,生成的路径更为平滑,易于差动机器人跟踪控制。     

基于改进RRT^(*)与行驶轨迹优化的智能汽车运动规划EI北大核心CSCD

针对传统快速扩展随机树算法(Rapidly-exploring random tree,RRT)搜索较慢、规划路径曲折、平顺性差等问题,提出了一种结合改进RRT^(*)与贝塞尔曲线控制点优化的智能车辆运动规划方法.该方法通过在给定概率分布下采样,结合基于方向相似性的多步扩展与路径简化,使用贝塞尔曲线拟合生成规划问题初始解,最后使用序列二次规划优化曲线控制点,从而在动态障碍物环境中生成兼具安全性与驾驶舒适性的车辆行驶轨迹.在仿真实验中将本文算法与常规RRT及曲线拟合方法进行了比较,结果显示本文算法在搜索速度、平顺性、安全性等方面有较大提升.     

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(R RT)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...     

目标偏置双向RRT*算法的机器人路径规划

针对RRT*和B-RRT*算法在较复杂环境下路径规划时,存在搜索时间长、采样效率低和规划路径曲折的问题,提出一种目标偏置双向快速扩展随机树算法——GBB-RRT*(goal biased bidirectional RRT*).该算法每次迭代中两棵随机树都进行扩展,一次迭代能生成两个新节点,加快扩展速度.然后引入目标偏...     

Optimal path planning in cluttered environment using RRT*-AB

Rapidly exploring Random Tree Star (RRT*) has gained popularity due to its support for complex and high-dimensional problems. Its numerous applications in path planning have made it an active area of research. Although it ensures probabilistic completeness and asymptotic optimality, its slow convergence rate and large dense sampling space are proven problems. In this paper, an off-line planning algorithm based on RRT* named RRT*-adjustable bounds (RRT*-AB) is proposed to resolve these issues. The proposed approach rapidly targets the goal region with improved computational efficiency. Desired objectives are achieved through three novel strategies, i.e., connectivity region, goal-biased bounded sampling, and path optimization. Goal-biased bounded sampling is performed within boundary of connectivity region to find the initial path. Connectivity region is flexible enough to grow for complex environment. Once path is found, it is optimized gradually using node rejection and concentrated bounded sampling. Final path is further improved using global pruning to erode extra nodes. Robustness and efficiency of proposed algorithm is tested through experiments in different structured and unstructured environments cluttered with obstacles including narrow and complex maze cases. The proposed approach converges to shorter path with reduced time and memory requirements than conventional RRT* methods.     

多路口环境下RRT的最优路径规划

针对于多路口环境下RRT的搜索时间长,搜索范围广和路径不平整的问题。提出一种基于路标引导和增长采样区域的混合策略来引导RRT算法向目标搜索。将对地图做预处理,处理掉较小的障碍物,尽可能保存大障碍物,得到预处理地图;在新地图上路口区域设置路标点,路标点的可视区域的组合要覆盖整个地图,根据其在新地图上的连通区域,通过寻找出一组从起点到终点的最优路标点组合,以相邻两路标之间构建移动增长采样区域来引导RRT算法快速向目标搜索;用树枝修剪和二次贝塞尔曲线拟合生成光滑路径。通过仿真实验验证了算法的有效性、合理性和正确性。     

一种基于改进RRT*的全局路径规划算法

针对传统RRT*全局路径规划算法在多障碍物复杂环境中搜索效率低、占用内存过大、搜索路径不平滑等问题,提出一种基于简化地图的区域采样RRT*算法(simplified map-based regional sampling RRT*,SMRS-RRT*).首先简化处理全局栅格地图,在此基础上寻找从起点到目标点的最优路径点...