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。     

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。     

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。     

基于人工势场引导的改进RRT机器人路径规划算法

针对随机扩展树收敛速度慢、效率低的缺点,提出以人工势场引导节点向目标点逼近,并与改进的转换测试结合实现树扩展的自适应调控。采用人工势场算法建立采样节点的价值函数,使得随机扩展树不断向低代价空间扩展,当陷入局部极小值时,对RRT算法的采样策略进行调节、自适应地寻找逃离路径,使搜索过程快速跳出局部极小值。仿真实验表明,人工势场引导随机树渐进目标点,并与转换测试结合,提高了算法的搜索效率。     

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。     

基于改进快速搜索随机树算法的包裹分拣路径规划算法

针对现有快递包裹分拣系统存在的传输速度慢,准确率低等问题,提出一种改进的快速搜索随机树(RRT)算法.该算法以RRT算法为基础,首先建立了包裹环境模型,引入人工势场法引力分量使节点的扩展更具方向性.其次,对于节点进入障碍物区域需多次重新采样的问题,采用扇形区域法避障以提高算法生成质量,并在路径规划结束后采取二次优化,以...     

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。     

DP-B样条移动机器人路径光滑算法

针对快速扩展随机树算法(RRT)产生的路径冗余点过多与路径转折点较多的问题,提出了一种基于Douglas-Peucker算法及B样条函数的路径光滑算法。首先,利用Douglas-Peucker(DP)算法从RRT算法产生的路径节点中提取出若干节点作为关键路标;然后,采用B样条函数拟合关键路标,得到一条曲率连续的光滑路径,实现规划路径的光滑化。通过在不同环境中进行实验和与其他路径光滑算法实验进行对比,结果表明,该算法能够明显缩短优化路径的路径长度,明显减少优化路径转折次数,大幅度提升优化路径的光滑度,有利于减少机器人在单次航程中的能量消耗,完成更多任务,有效提升机器人的工作效率。     

多窄路口下改进的bi-RRT路径规划

多窄路口的复杂环境路径规划中,快速扩展随机树(rapidly exploring random Trees,RRT)存在重复搜索和难以通过等缺点。提出改进的双向快速随机扩展树(bi-directional RRT,bi-RRT)的路径规划算法,在多路口来设置人工虚拟目标点,首先根据其连通域采用Dijsktra算法求出一组最短路径的虚拟目标点,再根据虚拟目标点构建采样区域,结合小车的非完整积分约束、环境约束和上述构建的采样区域,利用bi-RRT搜索可行路径。该算法解决了机器人在狭窄路口重复搜索的问题并提高全局搜索效率。通过仿真实验验证该算法的高效性、实时性和正确性。     

基于改进RRT*FN算法的机械臂多场景运动规划

针对固定节点数的渐进最优快速扩展随机树(RRT*FN)算法精度低、对环境缺乏适应性等问题,提出了一种改进RRT*FN的机械臂运动规划算法。在迭代过程中,结合目标偏向随机采样和椭球子集采样的优势,构造新的启发式方法对采样区域进行约束,从而保证搜索路径更优。在扩展节点时,配置树中总节点数的预设值,并通过加权方法对树中叶子节点进行删减,避免了树规模的无限增长。在动态环境下,采用对节点剪枝与连接的启发式重规划方法,有效提高了对动态环境的适应能力。实验结果表明,该算法在规划过程中收敛速度更快,效率更高,具有较强的环境适应性。