基于改进渐进最优的双向快速扩展随机树的移动机器人路径规划算法

针对带启发式的快速扩展随机树（RRT-Connect）算法路径生成的随机性以及渐进最优的双向快速扩展随机树（B-RRT^*）算法收敛速度的缓慢性，提出了一种基于B-RRT^*改进的高效路径规划算法（EB-RRT^*）。首先引入一种智能采样函数，使随机树的扩展更具方向性，从而减少寻路时间，并提高路径的平滑性；其次在B-RRT^*算法的基础上，在EB-RRT^*算法中加入了一种快速扩展策略，使改进后的算法在自由空间中使用RRT-Connect算法的扩展方式进行快速扩展，而在障碍物空间则使用改进的渐进最优的快速扩展随机树（RRT^*）算法进行扩展，在提高扩展效率的同时避免算法陷入局部最优。将EB-RRT^*算法分别与快速扩展随机树（RRT）、RRT-Connect、RRT^*和B-RRT^*算法进行仿真对比，仿真结果表明，改进后的算法在路径规划效率及路径平滑性方面均明显优于其他算法；且相对于B-RRT^*算法，其在路径规划时间上降低了68.3%，在迭代次数上减少了48.6%。     

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.     

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。     

基于混合策略的轮式机器入路径规划方法

快速扩展随机树方法（R RT）是解决具有非完整性约束的轮式机器人路径规划问题的一种有效途径。R RT能够在规划过程中引入机器人动力学约束,但是当环境中存在大量障碍物时,R RT算法的路径搜索效率将会降低。另一方面,R RT算法不具有最优性,限制了其在轮式机器人路径规划中的应用。针对经典R RT算法的不足,提出一种混合的路径规划策略,首先通过路径导引点扩展多树R RT结构,利用多树R RT的局部探索与合并特性快速寻找可通行的区域范围,利用启发式搜索算法在可通行区域内快速寻找动力学可行的机器人运动轨迹。仿真与实车实验表明,该方法能够快速有效地解决复杂障碍物环境下的机器人路径规划问题。     

基于双向随机树改进的智能车辆路径规划研究

针对快速扩展随机树算法随机性大、收敛速度慢和偏差性的问题,基于基本快速扩展随机树算法,通过采用循环交替迭代的搜索方式生成新节点,双向随机树同时搜索,改进优化了基本快速扩展随机树算法,解决了基本快速扩展随机树算法随机性大、收敛速度慢和偏差性的问题。建立车辆转向模型,确定车辆转向角度约束范围,在算法中增加车辆的转弯角度约束,减少生成路径的偏差性,改善了生成路径的质量。对生成的路径进行节点优化,去除多余的节点,缩短了路径的长度,提高了路径的可行性。采用B样条曲线改善路径的平滑度,在路径折点处插入局部端点,对路径进行平滑度处理,使生成的路径更加符合车辆的行驶条件。用Matlab进行虚拟仿真,验证了该算法的正确性。     

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。     

基于改进RRT算法的RoboCup机器人动态路径规划

针对足球机器人在场上采用反应式方法避障时存在的速度慢、效果差的问题,采用改进的快速扩展随机树(RRT)算法设计了一种能够适应机器人足球赛场动态移动障碍环境的路径规划器.首先,引入基本的快速扩展随机树算法,针对其随机性强、路径过长的缺点,提出了以一定概率选择目标点、增加引力分量以及路径平滑处理等改进方式;引入路径缓存区以及动态扩展随机树的方法来解决移动障碍物环境中的路径规划问题.复杂障碍物环境中的仿真实验表明,改进的规划路径长度比基本快速扩展随机树算法所得路径缩短约20%.最终将策略移植到实体NAO机器人上参加RoboCup比赛,取得世界八强的成绩.     

基于低差异序列与快速扩展随机树融合算法的机械臂路径规划EI北大核心CSCD

针对机械臂在高维关节空间下路径规划效率低的问题,本文提出了一种基于低差异序列与快速扩展随机树融合的路径规划算法.该方法首次使用Sobol序列代替快速扩展随机树中的伪随机序列,从而生成均匀差异采样点,且在采样过程中通过建立采样池对采样点进行优选,提高了采样点质量和采样效率.在此基础上,为使规划的路径变得光滑,本文采用基于最小二乘法的多项式拟合方法对各关节角的离散点进行后处理.实验部分首先在二维空间中进行算法性能分析,证明了本文改进的算法能够快速稳定的避开障碍物到达目标点;最后以AUBO–i5机械臂为原型开展了实验研究,验证了所提算法在机械臂上应用的优势.     

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。     

智能轮椅路径规划优化问题的研究

在智能轮椅路径规划问题的研究中,针对智能轮椅在执行任务前,需要根据所经区域内已知的环境,障碍物或者环境条件变化和不确定等信息路径,并根据规划出的路径完成智能轮椅的路径规划。为了使智能轮椅能准确识别起始点到目标点的路径,提出了一种改进的快速扩展随机树(Rapidly-exploring Radom Tree,RRT)的路径规划算法。进行路径规划过程中,采用蜜糖扩散法对智能轮椅运动的环境地图进行预处理,使树的扩展有一个趋于目标点的趋势,大大减少了搜索时间。在路径规划过程中,针对环境条件变化和系统存在不确定性因素,提出了基于滚动窗口的路径规划修正算法。仿真结果表明采用的方法缩减了智能轮椅的路径规划的时间,并实现实时避障,达到了规划最优性能。     

机器人对多运动障碍物环境中方向可变运动目标的跟踪

机器人要实现对动态环境中可变方向运动目标的跟踪,必须采用动态的规划算法.本文在快速随机搜索树算法的基础上,采用滚动时间帧的思想,周期性地采集环境信息与目标运动状况,来预测未来环境中障碍物的分布情况及运动目标位置.在每个周期内用B IAS_RRT来引导机器人行走,以适应障碍物与目标运动方向的变化.仿真结果表明,该算法能有效跟踪在多运动障碍物环境中方向可变的运动目标.     

带滚动约束轮移式机器人动态规划的研究

根据轮移式机器人的运动学模型,研究受到滚动约束轮移式机器人在动态环境中的运动规划问题.将快速随机搜索树算法与优化方法相结合,实现了一种新的算法,规划出既可避障又可满足机器人滚动约束的运动.将该算法运用到动态环境下机器人的运动规划中,并通过仿真表明该算法能较好地引导机器人在动态环境中实现满足滚动约束的避障路径.     

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...     

基于引力自适应步长RRT的双臂机器人协同路径规划

快速扩展随机树(RRT)方法的步长确定过分依赖于程序调试,而且固定的步长会导致碰撞检测失效问题.针对此问题,本文提出一种适用于双臂机器人协同路径规划的引力自适应步长RRT.首先,通过建立构型空间与工作空间的步长范数不等式,对双臂机器人在工作空间中所产生的步长进行约束,进而确保实现有效的碰撞检测;然后,提出随机树被动生长方法,在保证双臂机器人协同运动的基础上,降低规划空间的维度.最后,在随机树的节点处引入引力函数,加快算法的融合速度.仿真结果表明,引力自适应步长RRT方法可对工作空间中的步长进行有效约束,确保算法碰撞检测的有效性.在无碰撞的前提下,引力自适应步长RRT方法相比于其他算法减少了迭代次数,降低了运行时间并缩短了路径长度.将所提算法应用于双臂机器人的样机实验,结果表明双臂机器人可在保持位置协同的前提下,完成避障运动,验证了算法的可行性.     

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.     

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。     

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。     

复杂城市环境下无人机三维路径规划

基于转移的快速扩展随机树(T-RRT)算法,能够较快寻找到机器人在二维复杂成本空间的低危险度路径,但面对无人机的三维飞行工况,其规划结果较差,针对此问题,提出了一种基于探索、启发和转移的EHT-RRT(exploring heuristic transition-based RRT)算法.首先,算法在T-RRT的基础上...     

基于雅可比转秩-RRT法的冗余机械手路径规划

针对核反应堆检修用机械手在末端任务给定的无碰撞路径规划问题进行研究.提出一种将雅可比转秩控制算法与快速搜索随机树法相结合的混合算法,通过选择距目标点工作空间距离最近的位姿点作为树的扩充节点,避免对逆运动学进行求解.利用雅可比转秩控制算法计算出最优扩充方向,采用二分梯度下降扩充方法对末端工具速度加以限制,避免关节速度发生突变.仿真结果表明该混合算法的快速性和有效性.     

低空复杂环境下基于采样空间约减的无人机在线航迹规划算法

针对低空复杂环境下障碍物密集且类型多样、带有多通道并存在不确定信息的无人机在线航迹规划问题,为了减少碰撞检测次数,提高航迹搜索速度,降低航迹代价,提出一种基于采样空间约减的无人机在线航迹规划算法. 算法通过引入代价模型,提出约减域逐步构造方法,引导规划树快速有效扩展,改善了基于动态域的快速拓展随机树（Dynamic domain rapidly-exploring random tree,DDRRT） 算法中存在的采样空间过度约减问题. 算法通过密度划分索引的方法逐步构建多棵Kd 树（K-dimensional tree）并采用多近邻节点搜索方法,加快了近邻树节点搜索速度. 仿真实验结果表明,与DDRRT方法相比,该方法在保证对采样空间约减合理性的同时,提高了航迹规划效率和通道内的寻路能力.