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。     

复杂环境下基于RRT的智能车辆运动规划算法

在存在大量无规则障碍物且障碍物分布不均匀的复杂环境下,现有规划算法不能很好地解决智能车辆的运动规划问题.为此,本文提出了一种简单实用的基于RRT(快速搜索随机树)的运动规划算法——连续曲率RRT算法.该算法在RRT框架中结合了环境约束以及车辆自身的约束.它首先引入了目标偏向采样策略以及合理的度量函数,大大地提高了规划速度和质量;接着提出了一种基于最大曲率约束的后处理方法以生成平滑的且曲率连续的可执行轨迹.通过仿真实验和实车测试,证实了该算法的正确性、有效性和实用性.     

基于A*引导域的RRT智能车辆路径规划算法

为了泛化RRT （快速搜索随机树）算法在智能车辆路径规划领域内的应用,解决该算法搜索效率低、最近邻搜索函数不合理等问题,本文提出了一种基于A*引导域的RRT路径规划算法.该算法将A*算法与RRT搜索算法进行有效地结合,利用由A*算法在低分辨率栅格图中生成的最短路径来构建引导域,以提升RRT算法的采样效率;同时在设计RRT算法的最近邻搜索函数时考虑车辆自身约束,以增强搜索树节点选择的合理性.通过仿真实验和实车测试,对该算法的优越性、有效性和实用性进行了验证.     

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。     

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。     

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。     

基于动态变采样区域RRT的无人车路径规划

针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT, DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进而选择采样区域;在此基础上,利用基于安全距离的碰撞检测、概率目标偏置策略和多级步长扩展完成初始路径规划;最后,利用考虑最大转角约束的逆向寻优和3次B样条曲线对初始路径进行拟合优化.仿真结果表明,该算法相较于原始RRT算法在不同地图环境下的搜索时间和采样次数均降低50%以上,大大降低了节点搜索的盲目性和随机性,相较于其他算法搜索时间也减少30%以上,且优化后的路径平滑满足车辆运动动力学约束.     

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.     

非完整约束下的机器人运动规划算法

由非完整约束定义提出一种改进RRT(快速搜索随机树)算法,解决受动力学约束的移动机器人运动规划问题.该算法将移动机器人的非完整约束条件与RRT搜索算法相结合.针对RRT算法在全局状态空间均匀随机搜索导致算法无谓耗费代价大的缺陷,引入目标偏向思想,并选择计算复杂度低的距离参数提高求解速度.通过几类典型的非完整约束下的机器...