基于启发式Bi-RRT算法的虚拟手臂运动规划

为提高虚拟人手臂在复杂多障碍物空间进行维修时的运动路径规划效率,提出一种基于启发式Bi-RRT的路径规划算法。在运用Bi-RRT算法的基础上,结合启发式搜索思想对腕关节进行路径规划,通过比较多个随机搜索点与目标点的距离,保留距离目标点最近的随机搜索点,使随机树有方向地进行扩展,减少无效的搜索。仿真实验结果表明,启发式Bi-RRT算法较传统的RRT算法和Bi-RRT算法有更好的搜索效果,搜索效率更高,对于7自由度虚拟手臂的运动路径规划也有较好的效果。     

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...     

改进RRT算法的室内移动机器人路径规划

针对传统RRT（快速扩展随机树）寻路算法由于扩展点的随机选取而存在搜索平均、采样效率低、偏离最优解的缺陷,提出一种偏向目标型的改进RRT算法。该算法采用目标偏向策略和气味扩散法来改善扩展节点的选取,使得随机树的生长趋向于目标点,并提出一种基于3次B样条曲线的路径平滑方法,极大地提升了搜索效率和路径质量。在仿真环境下对算法有效性进行验证,并将算法应用到真实环境下。仿真结果表明,与传统RRT算法相比,改进算法的路径长度缩短约22.1%,且路径更为平滑,在复杂环境中避障能力强。将改进RRT算法应用到Turtlebot2中,在真实环境下开展实验,实验结果证明了该算法的可靠性和实用性。     

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RRT算法的无人机三维避障规划

RRT算法由于其在复杂环境中有强大的随机搜索能力,在无人机避障规划中被广泛运用.为了提高无人机避障规划的效率,提出了一种基于预规划路径优化RRT算法的无人机三维避障规划算法.算法首先在障碍物膨胀规则和相交规则下生成预规划路径,然后将预规划路径看做成连续的质点组成,按一定的扩展树步长的比例从连续质点取点来确定搜索树的随机状态点,最后RRT算法在这些随机状态点的引导下进行搜索,生成避障规划路径.仿真结果表明,改进的RRT算法生成的预规划路径降低了障碍物搜索的时间和增强了搜索树扩展的方向性;预先确定的随机状态点使搜索树在扩展中具有方向性,可减少新生节点的个数和路径长度,进而提高了无人机避障路径规划的效率,使得最终生成避障路径的时间更优.     

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算法的移动机器人路径规划方法

针对RRT（快速随机搜索树）算法在复杂环境下规划效率低,且规划的路径不平滑的问题,提出一种改进的RRT算法。首先引入一种全新的目标偏向采样策略,在均匀采样得到的随机点与目标点的连线上随机取一个点作为新的随机点进行树的扩展。其次对冗余路径节点进行剪枝处理,将路径起始节点与后续节点连线与障碍物进行碰撞检测,滤除无效的弯折路径。最后采用多项式插值的方法,依据节点的边界条件进一步对路径进行曲率平滑处理。通过仿真实验验证,论文算法不仅极大地提升了原算法的规划效率,而且在很大程度上优化了路径。     

基于采样点优化RRT算法的机械臂路径规划

针对基于随机采样的RRT机械臂路径规划算法在全局工作空间下采样效率低、随机性强等问题,提出一种基于采样点优化RRT算法的机械臂路径规划算法.相对于全局工作空间采样,优化算法首先基于非障碍物空间生成随机采样点,以降低算法碰撞检测概率与冗余节点的生成,再结合一定概率的人工势场法产生启发式采样点,使得机械臂臂体于路径规划采样过程中既能保证随机采样的概率完备,又能使采样点更具目标导向性.其次,为使得路径更加简洁平滑,使用冗余节点删除策略剔除路径中的冗余节点来优化最终路径.最后在二维、三维的仿真环境中对优化算法进行对比实验分析,以验证算法在随机采样路径规划算法中的良好性能,并在IRB 1200-7/0.7机械臂上进行避障规划算法实验.仿真和实验结果都表明,所提出的算法在机械臂路径规划中可以获得更高的规划效率和更优的路径.     

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...     

基于改进RRT算法的UAV航迹规划与优化研究

分析步长、搜索次数对UAV航迹生成的影响,给出一种改进RRT算法。结合目标信息给出启发因子、优话采样节点选择方法、选取合适的启发概率等方法,解决了扩展树生长过程中随机性较大的问题,提高了全局搜索能力和搜索速度,同时考虑局部搜索精度。针对航迹随机化造成的航迹不够优化的问题,提出一种航迹迭代优化方法。仿真结果表明:该算法和优化方法具有较快的收敛速度和更短的搜索时间;迭代优化方法减少了冗余规划点,缩短了规划航迹,提高了航迹规划效率。     

改进RRT的二阶段平滑搜索算法

在复杂的环境当中,智能车辆路径规划模块的职能是产生一条合适的路径让智能车路径跟踪模块进行跟踪。在路径规划模块中要考虑两个方面：第一个方面是算法能够快速地搜索出一条安全的路径;第二个方面是算法进行路径规划的同时能够考虑车辆自身模型的约束,即运动学约束限制。然而快速搜索随机树RRT算法进行大范围路径搜索的过程中存在收敛速度较慢、搜索路径曲折角度过大的问题,导致车辆跟随时转弯角度过大、转向不连续,不满足车辆运动学模型。二阶段RRT算法TSRRT（Two-Stage RRT）采用融合最大转向角度的三次Bezier曲线进行上边界曲率优化,使规划路径能够满足车辆运动的转向角度,让车辆在行驶过程中能够以不停车的方式进行连续平稳转向;同时为了加快算法的收敛速度,通过第一阶段的启发式函数采样搜索以及第二阶段Dubins曲线直接连接最终终点和第一阶段搜索终点,能够有效地提高算法的整体搜索效率。通过实验验证,改进的RRT算法TSRRT,相比于传统RRT算法搜索时间减少近43%,路径长度减少近25%,同时提高了路径的平滑性,使已搜索路径曲率能够满足连续,能够让车辆在不停止的情况下连续平稳转弯,以便车辆后续更好地进行路径跟踪。     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。     

基于改进的A*算法与动态窗口法的移动机器人路径规划

提出了一种改进的A^*算法与动态窗口法相结合的混合算法,以解决移动机器人在多目标复杂环境中的路径规划问题．首要,为了提升算法的运行效率,实现单次规划的路径可通过多个目标点,同时提升路径平滑处理的灵活性并满足移动机器人非完整约束条件,本文利用目标成本函数对所有目标进行优先级判定,进而利用改进的A^*算法规划一条经过多个目标点的最优路径,同时采用自适应圆弧优化算法与加权障碍物步长调节算法,有效地将路径长度缩短5%,转折角总度数降低26.62%．其次,为实现移动机器人在动态复杂环境中局部避障并追击动态目标点．提出将改进动态窗口算法与全局路径规划信息相结合的在线路径规划法,采用预瞄偏差角追踪法成功捕捉移动目标点,并提升了路径规划效率．最后,对所提方法进行仿真实验,结果表明该方法能够在复杂动态环境中更有效地实现路径规划．     

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.