基于B-RRT*FND算法的移动机器人路径规划

针对RRT*FN算法获取路径解的速度慢,且无法应用于动态环境等问题,提出固定节点数的动态双向渐近最优快速随机扩展树算法(bidrectional RRT* fix-node dynamic, B-RRT*FND),用于解决移动机器人在二维空间内快速实时获取无碰撞路径的问题.所提出算法基于RRT*FN算法,采用双向贪婪搜索方法加快路径搜索速度,解决单向RRT算法由于随机采样的盲目性造成的搜索速度慢、在狭窄环境下难以搜索到解的问题;利用固定节点算法在规划过程中不占用过多计算量的特点,在路径迭代优化过程中,实时更新地图信息,并对被破坏的原始路径进行修复重连,以完成算法的动态规划.将所提出算法与RRT、RRT*FN等算法在3种环境下进行对比仿真,验证结果表明,所提出算法在规划速度、路径解长度以及动态规划性能方面具有较好效果.     

一种移动机器人路径规划新算法

快速搜索随机树（Rapidly-exploring random Tree Star,RRT*）算法在移动机器人实际应用中规划路径在转向部分存在较多的冗余转折点,导致移动机器人在移动转向过程中出现多次停顿与转向,为剔除规划路径中的冗余路径点,提高机器人移动流畅性,提出一种改进的 RRT*算法。算法将局部逆序试连法引入移动机器人路径规划,在确保RRT*算法概率完备性和渐进最优性的前提下,剔除规划路径中的冗余路径节点,使最终路径更加接近最短路径。通过MATLAB仿真实验证明,规划路径平均长度缩短4%,算法耗时缩短35%,改进后的RRT*算法能缩短规划路径且转向部分路径更加平滑。最后,使用改进后的RRT*算法在室内环境下进行移动机器人路径规划实验。实验结果表明：规划路径上无冗余路径点,且移动机器人沿路径移动流畅。     

基于改进的RRT*-connect算法机械臂路径规划

基于双向渐进最优的RRT*-connect算法,对高维的机械臂运动规划进行分析,从而使规划过程中的搜索路径更短,效率更高。将目标偏向策略引入采样过程,同时对采样点区域进行约束,保证每次采样都能朝着目标方向搜索,使得搜索路径更优。在此基础上,采用梯度下降法优化搜索出的路径,将整个路径做平滑处理,去除大角度转弯。利用Matlab对改进后的RRT*-connect算法进行仿真对比分析,从而证明该算法在各种复杂环境下都能保证搜索的概率完备性以及渐进最优性,并且搜索路径更短,用时更少。在ROS平台使用UR5机械臂进行仿真实验,验证该算法的实用性与有效性。     

面向UAV的三维空间快速路径规划算法

无人机、无人水下机器人等工作在三维空间中的无人飞行器在进行路径规划时采用的路径规划算法多数为RRT*算法，但RRT*算法存在收敛速度较慢、迭代次数多、采样点利用率低、需要频繁进行碰撞检测等问题，针对现有算法采样的不足，提出双向自由化生长树算法（B-SOGT*）。该算法采用双向搜索、双引力场、试探性弹性扩张的方法来实现无人机在三维空间中的路径规划。双向搜索分别以起始点和目标点为根节点，构造出2棵随机树同时进行空间搜索，这样的方式提高了搜索效率；双引力场是分别以2颗随机树的根节点为中心生成的引力场，在引力场的作用下采样效率得到提升；试探性弹性扩张方法在生成路径时，引入父节点重选机制，并且去掉碰撞检测过程，提高了算法计算速度。仿真验证表明，B-SOGT*算法在取消碰撞检测过程后，拥有收敛速度更快、路径质量更优、迭代次数更少的优势。     

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。然后引入目标偏置策略来优化采样点的选取,使两棵随机树在一定概率下朝各自的目标点方向扩展。针对得到的规划路径,设计一种逆向寻优结合转角约束路径简化方法,结合B样条曲线生成光滑可执行路径。在仿真实验中将提出的算法与B-RRT*进行对比实验,结果表明所提算法搜索时间缩短40%左右、扩展节点减少10%左右,结合路径简化方法后路径长度缩短3%左右。     

涡流人工势场引导下的RRT*移动机器人路径规划

为了解决快速扩展随机树(RRT)在障碍物密集、通道狭窄的环境中收敛速度缓慢、采样节点密集、路径曲折复杂等问题,围绕RRT的一种常见的变体算法RRT*,设计了一种由人工势场(APF)引导RRT*进行路径规划的方法。首先,使用涡流约束向外发散的斥力场,沿着切向梯度方向形成涡流场,并利用涡流人工势场(VAPF)在RRT*偏向区域中引导采样节点进行偏向采样,以减少执行时间,加快收敛速度;同时,利用节点拒绝技术去除高成本节点和无效节点,生成节点更为集中的轨迹树,降低内存需求;最后,通过修剪路径中的多余节点,并利用涡流势场的特性对路径进行平滑处理,达到路径优化的效果。考虑到RRT类算法具有概率随机性,对RRT算法、改进RRT*算法和VAPF-RRT*算法分别进行了32次对比实验。仿真结果表明,提出的VAPFRRT*算法明显降低了迭代次数,以更少的采样节点和执行时间收敛到更短更平滑的路径,提高了内存利用率,加快了收敛速度。     

一种基于改进RRT*的全局路径规划算法

针对传统RRT*全局路径规划算法在多障碍物复杂环境中搜索效率低、占用内存过大、搜索路径不平滑等问题,提出一种基于简化地图的区域采样RRT*算法(simplified map-based regional sampling RRT*, SMRS-RRT*).首先简化处理全局栅格地图,在此基础上寻找从起点到目标点的最优路径点集合,并将该路径作为引导路径通过智能采样因子进行扩大,得到智能采样区域;然后在智能采样区域中不断迭代搜索,得到一条从起点到目标点的代价小、无碰撞路径;最后结合最小转弯半径约束的路径修剪和基于B样条曲线的路径优化,生成一条路径平滑且曲率连续的优化路径,从而使移动机器人沿着该全局优化路径快速、平稳、安全地到达目标点.仿真实验表明,所提出算法能够有效提高传统RRT*搜索效率,加快收敛速度,降低内存消耗.     

针对包含狭窄通道复杂环境的高效RRT*△路径规划算法

针对RRT*算法在狭窄通道等复杂环境产生大量节点和收敛速度慢的问题,提出一种基于多种启发式策略和强化节点机制改进的高效RRT*路径规划算法(heuristic node enhancement informed RRT*,HNEI-RRT*).该算法首先采取组合启发式采样策略,快速找到初始路径之后在启发式子集内完成采样;同时提出启发式节点拒绝策略,拒绝不满足预设条件的节点参与后续扩展;其次,该算法提出强化节点机制,扩大节点蕴涵的信息,提高节点利用率.在各种障碍物分布和狭窄通道的复杂环境中的仿真结果表明,HNEI-RRT*算法的节点数量、收敛时间相比其他五类RRT*改进算法更少,验证了该算法能够节省内存花销的同时有效提高收敛速度.     

基于A*引导域的RRT智能车辆路径规划算法

为了泛化RRT （快速搜索随机树）算法在智能车辆路径规划领域内的应用,解决该算法搜索效率低、最近邻搜索函数不合理等问题,本文提出了一种基于A*引导域的RRT路径规划算法.该算法将A*算法与RRT搜索算法进行有效地结合,利用由A*算法在低分辨率栅格图中生成的最短路径来构建引导域,以提升RRT算法的采样效率;同时在设计RRT算法的最近邻搜索函数时考虑车辆自身约束,以增强搜索树节点选择的合理性.通过仿真实验和实车测试,对该算法的优越性、有效性和实用性进行了验证.     

融合有向D*与RRT*的移动机器人路径规划算法

针对快速扩展随机树(RRT)算法在复杂障碍物和狭窄通道环境中收敛速度慢,冗余节点多的问题,提出了一种融合有向D*与RRT*的路径规划算法,用于改善移动机器人在二维环境下路径规划的性能.首先,算法根据初始路径确定关键点,以它为圆心形成采样子集,在之后的迭代中,按概率在圆形子集和全部状态中选择采样空间.然后,利用变距离重新布线,通过大半径重新布线减少冗余节点,再利用小半径重新布线对障碍物顶点和转弯处进行优化,达到缩短路径长度和平滑路径的目的 .仿真结果表明,融合改进算法比对照算法的路径长度缩短了4.30％,搜索时间减少了25.91％,路径总步数减少了50.26％,且可以适应存在连续小洞和狭窄通道的特殊环境.     

Optimal path planning in cluttered environment using RRT*-AB

Rapidly exploring Random Tree Star (RRT*) has gained popularity due to its support for complex and high-dimensional problems. Its numerous applications in path planning have made it an active area of research. Although it ensures probabilistic completeness and asymptotic optimality, its slow convergence rate and large dense sampling space are proven problems. In this paper, an off-line planning algorithm based on RRT* named RRT*-adjustable bounds (RRT*-AB) is proposed to resolve these issues. The proposed approach rapidly targets the goal region with improved computational efficiency. Desired objectives are achieved through three novel strategies, i.e., connectivity region, goal-biased bounded sampling, and path optimization. Goal-biased bounded sampling is performed within boundary of connectivity region to find the initial path. Connectivity region is flexible enough to grow for complex environment. Once path is found, it is optimized gradually using node rejection and concentrated bounded sampling. Final path is further improved using global pruning to erode extra nodes. Robustness and efficiency of proposed algorithm is tested through experiments in different structured and unstructured environments cluttered with obstacles including narrow and complex maze cases. The proposed approach converges to shorter path with reduced time and memory requirements than conventional RRT* methods.     

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（Rapidly-Exploring Random Tree,RRT）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,避免在终点处进行多余的位姿调整。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,对比了基本RRT算法、基本RRT*算法和本文算法的路径规划效果。实验结果显示本文算法在路径规划效率和路径质量上都具有一定优越性,规划的路径长度较优并且满足车辆运动学约束。     

一种Halton序列的HDRRT移动机器人融合规划算法

针对标准快速扩展随机树(RRT)算法采用伪随机序列导致采样点分布不均、不合理,且移动机器人从起始点到目标点路径有冗余路段及冗余节点的问题,提出HDRRT (halton & dijkstra & rapidly exploring random tree)算法,该算法采用采样点分布均匀性好的Halton序列进行采样,并利用候选点集策略对节点进行筛选,以剔除冗余节点;同时该算法采用改进的Dijkstra算法提取原始路径关键节点,以减少路径冗余路段;在此基础上采用3次B样条曲线对路径作平滑处理.经Matlab联合ROS系统仿真结果表明, HDRRT算法相对于Bias-RRT和标准RRT算法具有快速性,稳定规划出最短以及平滑路径等优点.     

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.     

六轴工业机器人先验引导RRT*避障轨迹算法研究

针对六轴工业机器人装配避障路径运动问题,研究了机器人整体避障运动路径规划方法,提出一种RRT*改进算法;算法以RRT*算法为基础,在障碍物建模中引入包围盒算法,加入对机器人各轴与障碍物的碰撞检测;在路径规划中加入对随机点生成方向与树枝生长方向的先验引导机制,优化了算法路径长度与路径搜寻效率;通过Matlab进行了试验验证,结果表明与标准RRT*算法相比,先验引导RRT*算法缩短路径长度14%左右,且满足机器人末端路径与手臂各轴的避障需求。