融合神经网络GRU和RRT算法的机械臂路径规划

针对求解机械臂最优路径规划问题,提出一种融合卷积神经网络GRU的RRT^*算法(GRU-RRT^*)。将门控循环单元GRU应用于采样的规划器(GRU＿Sampler),利用神经网络规划器为快速探索随机树提供节点,预测下一次随机采样最有希望的可达状态,显著降低了算法的运行时间,提高了改进的RRT^*算法的规划效率。此外,采用自适应可变步长,利用环境信息生成合适的步长,避免因固定步长导致的收敛速度降低的问题,最后使用三次样条插值算法对机械臂运动轨迹进行平滑,减少机械臂的冲击损耗。将GRU-RRT^*算法分别在二维、三维和Rviz地图中进行仿真,实验结果表明,改进算法有效的降低了搜索的时间,提高了机械臂规划的效率,平滑性良好。