基于强化RRT算法的机械臂路径规划

针对快速拓展随机树算法(rapidly-exploring random trees, RRT)存在采样随机、重复搜索、偏离目标点和节点冗余等问题,提出一种强化快速拓展随机树算法(intensity-guide rapidly-exploring random trees, IG-RRT)。采用覆盖剔除机制强化算法搜索能力,将已搜索区域进行覆盖,覆盖后不再进行搜索和产生新节点,避免重复搜索,提高搜索能力和搜索效率。后续加入目标引导概率,根据地图难度对目标引导概率进行调整,强化算法目标趋向性,对末端节点采用贪婪思想,强化算法收敛性。通过简化路径,去除冗余点,利用三次B样条曲线平滑拐点,提高路径质量。仿真试验表明,IG-RRT算法性能优于传统RRT算法及其相关衍生算法。IG-RRT算法可以增强对复杂约束空间的搜索能力,加快算法的收敛速度,提高路径规划的成功率。     

基于改进RRT-Connect算法的路径规划研究

传统移动机器人的路径规划算法环境障碍建模复杂且容易陷入局部最小值，而基于采样的快速扩展随机树(RRT)算法通过随机节点快速扩展路径搜索效率低。RRT-Connect算法在RRT算法基础上提升了搜索效率，但存在路径曲折的问题。为此，在RRT-Connect算法基础上通过加入人工势场引导增长方法和目标偏置采样方法，改进算法规划路径的平滑性和速度。为验证改进算法的有效性，与RRT算法、RRT-Connect算法在不同复杂度环境中的执行性能进行比较。仿真实验的结果表明，改进算法在三种不同环境下的路径规划时间和路径规划长度以及标准差稳定性方面均优于其他两种算法。     

复杂多场景下机械臂避障运动规划方法研究

为提高工业机械臂在狭窄通道、多障碍物等复杂多场景下避障运动规划的成功率和效率,建立了基于圆柱体和球体包围盒机械臂与障碍物之间的碰撞检测模型,并提出了一种基于启发式概率融合人工势场法的改进型RRT^*算法(P-artificial potential field-RRT^*,PAPF-RRT^*)。采样上引入概率目标偏向与随机采样点优选策略,对采样点进行位置优选约束,增强采样导向性和质量;为改变传统新节点扩展方向和特殊环境下局部最优问题,融合人工势场法的目标引力与障碍物斥力和自适应步长,使算法在APF产生的合力范围下实时引导新节点扩展方向和步长大小,降低过度的探索和碰撞区域扩展;对冗余节点进行删除,并采用三次B样条插值优化,提高机械臂轨迹的柔顺性。仿真结果表明,所提算法较传统RRT*算法在平均路径搜索时间上降低了56.75%,路径长度缩短了17.74%。导入机械臂模型后可视化仿真结果证明,所提算法可使机械臂成功避障且快速平稳运行到目标点。     

一种用于无人车路径规划的改进双向快速扩展随机树算法研究

快速扩展随机树(RRT)算法在生成采样点时,采用随机扩展策略进行盲目搜索,导致路径生长过程中缺乏方向性且规划速度缓慢.针对此问题,提出了一种改进双向快速扩展随机树算法(Bi-RRT).首先,在节点的生成方式上,同时生成两个采样点,通过舍弃距离目标点较远的采样点来提高采样效率,确保采样点的有效性,加快路径规划速度;然后,结合自适应采样目标偏向策略,使路径的规划更具有方向性,能够逃离局部极小值.同时在规划过程中,两棵随机树分别选择对方生成的最新节点作为目标,以降低众多繁杂节点的产生,使路径生成更具有目的性;接着利用Matlab软件,将改进Bi-RRT算法同基本RRT和Bi-RRT两种路径规划算法进行对比分析.仿真结果表明,研究算法能缩短规划时间、减少迭代次数,具有较好的可行性和有效性.最后进行了样车实验,验证了研究算法的可靠性.     

基于采样空间约束的改进RRT算法

由于水下环境比陆地环境复杂，在进行机器人水下路径规划时，利用传统算法规划的路径质量较差。为此，提出一种基于采样空间约束的改进快速扩展随机树(RRT)算法。首先，提取边界点，通过凸包算法划定障碍范围；其次，利用膨胀算法对划定的范围做区域膨胀，对采样空间进行约束；最后，通过对随机节点的四个特征进行计算，确定采样点的概率，为采用点的选择提供导向性，缩短因采样空间过大而导致过长寻路时间，提高路径质量。通过在PyCharm环境下的仿真实验对比RRT算法、RRT^*算法和改进后的RRT算法，实验结果表明改进的RRT算法各项性能均优于RRT算法和RRT^*算法。     

基于AHMRRT的移动机器人路径规划算法

为解决单向快速探索随机树(rapid exploring random tree,RRT)算法路径规划效率低且易陷入局部极小点的问题,提出了一种自适应启发式多快速探索随机树(adaptive heuristic multiple rapid exploring random tree,AHMRRT)路径规划算法.一方面,基于多随机树构建策略的AHMRRT算法可以在起始点、目标点、子目标点生成4棵随机树,同时进行扩展搜索,从而提高路径规划效率;另一方面,通过在单棵随机树生长过程中添加自适应启发式偏置因子,AHMRRT算法可以根据环境中障碍物的情况自适应地改变新节点的生成策略.探索自由空间时,该算法可以在偏置因子的作用下迅速向目标点扩展以提高搜索效率;探索多障碍物空间时,该算法将调用随机采样函数以防止落入局部最优.在仿真实验中,设计了4种环境下AHMRRT算法与随机概率目标快速探索随机树(probability goal RRT,PGRRT)、双向快速探索随机树(bidirectional RRT,BRRT)算法的对比实验,仿真实验结果证明了该算法的可行性和高效性.     

基于改进粒子群算法的机械臂轨迹规划研究

为提高机械臂的适用性和工作效率,针对机械臂关节空间时间最优轨迹规划问题,在研究传统的多项式插值轨迹规划方法基础上,结合改进的粒子群优化算法,通过动态调整学习因子,结合线性惯性权重,改善传统粒子群算法容易陷入局部最优的缺点,快速准确得到最优解;在机械臂工作空间中选取可到达的路径点,获取路径点处的关节角度,采用3-5-3分段插值多项式法规划机械臂的运动轨迹,同时利用改进粒子群算法优化轨迹的运行时间,得到平滑、连续且时间最优的运动轨迹曲线。Matlab仿真实验结果验证了该方法进行轨迹规划的可行性和有效性。     

基于ACO-RRT算法的移动机械臂避障路径规划

在充满障碍物的环境里,基于随机采样的RRT算法和RRT^*算法进行移动机械臂避障路径规划时常存在路径代价高和求解速度慢等问题。为解决以上问题,首先将ACO蚁群算法中的启发式思想融入RRT算法形成ACO-RRT算法,在不同使用场景引入不同启发式修改采样策略解决最短路径问题;然后通过定义效用函数权衡探索函数与开发函数分配率,使得在效用函数增加的地方采样更加频繁;最后在相同的障碍环境中评估ACO-RRT、RRT和RRT^*3种算法的迭代次数、路径代价和求解速度等性能指标。实验结果表明,ACO-RRT算法解决了RRT算法和RRT^*算法存在的问题,并且性能优于目前较为成熟的RRT算法和RRT^*算法。     

基于区域采样随机树的客车局部路径规划算法

为解决结构化道路环境下自动驾驶客车的路径规划问题,针对双车道避障工况提出了一种区域采样随机树RS-RRT算法。在采样阶段,集成高斯分布采样和局部偏向性采样来提高路径规划算法的搜索效率。在随机树扩展阶段,考虑了客车和障碍物的实际尺寸,利用分离轴定律(SAT)实时检测客车和周围障碍物的碰撞风险。在后处理阶段,结合安全性和舒适性的目标,融合了驾驶共识、安全距离模型和路径平滑算法对规划的路径进行修正。为验证RSRRT算法的有效性,搭建了商用车电液转向系统硬件在环试验台,利用TruckSim构建仿真场景,通过MATLAB和TruckSim的联合仿真实现算法的验证。试验结果表明:与基本RRT和目标偏向性RRT(Goal-biasing RRT)相比,本文算法在节点数量、路径长度和运行时间上均有优势,生成的路径满足客车动力学和路径跟踪要求。     

基于改进遗传算法的移动机械臂拣选路径优化

传统移动机械臂路径规划算法没有根据抓取点分布情况对工位点坐标进行优化,效率低,对此,提出了一种基于改进遗传算法的移动机械臂拣选路径优化方法.通过对拣选物品位置的分析,建立单个工位点上移动机械臂分拣路径模型和多工位点的旅行商（TSP）问题模型,运用改进的遗传算法,在工作空间内对各个工位点的位置坐标寻优,规划出移动机械臂抓取的最短路径和多工位点间移动的最短路径.实验结果表明,与传统遗传算法可能,运用改进的等级进化选择算子和最优近邻交叉算子,遗传算法的收敛速度提高了46.15%,路径缩短了45.99%,系统运行时间减少了25.80%,提高了系统效率.