基于人工势场法和启发式采样的最优路径收敛方法

具有渐进最优性的快速搜索随机树（RRT^*）算法在路径规划过程中确保了其概率完备性和渐进最优性,然而仍存在收敛速度慢且产生大而密集的采样空间等问题。为了加快算法的收敛速度,提出了一种基于人工势场法和启发集合采样来快速获取最优路径的方法。首先,利用人工势场法构建出一条由起点到目标点的初始路径;然后,以起点和目标点的位置和之间的距离以及初始路径的路径代价作为参数来构建初始启发采样集合;最后,限定在启发集合内进行采样,并且在算法进行的过程中调整启发采样集合的范围,进而加快路径收敛速度。仿真实验中,获取相同路径代价的路径时,所提人工势场结合启发式采样的方法为基础的结合人工势场法和启发采样策略的快速获取最优路径的RRT^*（PI-RRT^*）算法相较于RRT^*算法,采样点数减少了约67%,算法运行时间平均缩短了约74.5%;相较于启发式RRT^*（Informed-RRT^*）算法,采样点数减少了约40~50%,算法运行时间平均缩短了约62.5%。所提出的最优路径收敛方法大量减少了冗余采样次数并缩短了算法运行时间,具有更高的算法效率,收敛到最优路径的速度更快。     

复杂环境下基于采样空间自调整的航迹规划算法

针对具有渐进最优性的快速扩展随机树（RRT^*）算法在面对高维、复杂环境时所表现出的寻路效率低、收敛速度缓慢的问题,在RRT^*的基础上,提出一种基于采样空间自调整的渐进最优快速扩展随机树（AS-RRT^*）无人机（UAV）航迹规划算法。该算法可以自适应调整采样空间,进而引导树更为高效地生长,而这些主要通过有偏采样、节点筛选和节点学习这三种策略来实现。首先,在采样空间中定义向光和背光区域来进行有偏采样,而向光和背光区域的概率权重由当前扩展失败率决定,从而保证算法在搜索初始航迹时同时具有探索性和方向性;然后,在完成初始航迹的搜索后,算法就开始周期性地筛选节点,高质量的节点作为学习样本来产生新的抽样分布,质量最低的节点在算法达到最大节点数量后被新节点替代。在多种不同类型的环境下进行了对比仿真实验,结果表明所提算法在一定程度上改善了采样算法固有的随机性,而且相较于传统的RRT^*算法,该算法在相同环境里使用了更少的寻路时间,在相同时间里生成了更低代价的航迹,且在三维空间里的改进更为明显。     

基于改进RRT-Connect算法的机械臂路径规划

针对RRT^*算法速度较慢问题,提出一种快速收敛至最优路径的最优双向快速扩展随机树(Optimal Bidirectional Rapidly-exploring Random Trees,Obi-RRT)算法。Obi-RRT使用改进的RRT-Connect算法快速得到较低成本路径,通过路径修剪得到关键点,围绕关键点提出三种采样空间并进行采样,通过不断更新关键点从而得到最优或接近最优的路径。平面和机械臂关节空间下的仿真实验表明,Obi-RRT算法运行时间仅为RRT^*算法的十分之一,并且路径成本更低。     

基于改进RRT的筒子纱搬运机械臂路径规划研究

针对筒子纱搬运过程中存在纱线架、放置平台、其他筒子纱等多障碍物的环境下，传统的目标偏置RRT容易陷入局部最优的问题，提出一种改进的RRT(rapidly-exploring random tree)算法。通过几何包络法建立碰撞检测模型，并添加距离系数g,使机械臂末端与障碍物保持安全距离；提出随机动作选择策略，使树每一次扩展前对扩展动作进行选择；提出弱化目标偏置策略，根据X_goal相对于X_near和X_rand连线的位置，对扩展方向进行偏置；根据垂距限值法和三次样条插值对初始路径处理，得到一条平滑路径。通过与RRT算法、M-RRT算法、添加引力系数的RRT算法和改进的RRT^*算法仿真对比，路径长度方面最大下降了23.3%,时间方面最大下降了82.5%,并始终与障碍物保持50 mm以上的距离。结果表明该算法提升了机械臂搬运的效率和安全性。     

基于已知地形信息的海底机器人路径规划

路径规划是实现机器人智能化的重要组成部分,规划路径的优劣在很大程度上决定了机器人执行任务的效果. 传统的路径规划算法,例如基于图搜索的dijkstra算法和其改进后的A^*算法,以及基于采样的RRT （rapidlyexploring random tree） 算法和其改进后的 RRT^*算法,仅仅考虑了避障问题;基于插值曲线的算法可以产生较为光滑的轨迹;基于数值优化的算法可以将机器人速度、加速度等加入损失函数,通过优化求解,产生动力学特性较好的轨迹. 然而,面对当前越来越精确、丰富的先验地形信息,鲜有算法可以充分利用他们. 对此,基于海底数字高程地图（digital elevation map, DEM）,提出扩展A^*算法及FM （fast marching）算法改进算法,能够利用先验地形信息提高路径规划的效果. 通过仿真分析,对比3种算法:扩展A^*算法、TC FM （terrian cared fast marching）和TC FM^*算法,仿真结果表明,扩展A^*     

机器人路径规划的快速扩展随机树算法综述

路径规划是移动机器人的重要研究内容。快速扩展随机树（Rapidly-Exploring Random Tree，RRT）算法因在机器人路径规划中的成功应用，自提出以来就得到了极大的研究与发展。快速扩展随机树作为一种新颖的随机节点采样算法，相对传统路径规划算法，具有建模时间短、搜索能力强、方便添加非完整约束等优点。介绍了快速扩展随机树算法的基本原理与性质，并从单向随机树扩展、多向随机树扩展、其他改进等方面概括了算法的研究现状。最后，展望了算法未来的研究方向与挑战。     

室内场景下应用拓扑结构的高效路径规划算法

针对基于随机采样的路径规划算法效率低且采样具有随机性的问题,提出一种应用拓扑结构的高效路径规划算法ATIRRT^*。通过引入拓扑节点代替STIRRT*算法中Harris角点检测算法得到的特征点进行采样,给出基于阈值的自适应选择方法来消除路径骨架上提取的冗余特征点,利用该阈值得到的拓扑节点可以使随机树的扩展更具方向性,从而减少寻找初始路径的时间和代价。根据非单一父节点的连接方式加强交叉支路上的拓扑节点间的联系,通过节点扩充策略增加相邻拓扑节点间的节点数量以加快优化算法的收敛。在此基础上定义相关约束条件将初始路径分段并进行逐段优化,以提高优化算法的效率。在常规环境、狭长空间和仿真的室内环境3种类型地图上的仿真结果表明,相较于STIRRT^*算法,改进算法在规划路径长度上平均减少8%,在规划时间上平均降低10%,可快速地找到更优的初始路径,同时在优化过程中减少了无用的探索空间,提高了搜索效率。     

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree, RRT~*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT~*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT~*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT~*算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。     

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RRT改进的移动机器人路径规划算法

针对RRT~*算法在复杂环境路径规划中存在的盲目搜索、冗余节点及路径较长等问题,提出一种融合树扩展策略和采样策略的改进RRT~*算法(AF-RRT~*)。通过创造父节点改进RRT~*扩展树的结构,缩小路径长度;引入自适应探索,增加采样导向的选择性,减少路径搜索时间,同时不会陷入局部最优陷阱;通过动态步长,减少冗余节点。仿真结果表明,AF-RRT~*算法在多种环境下,路径获取效率和路径质量均优于RRT~*和F-RRT~*。消融实验验证了AF-RRT~*算法和算法各功能模块的有效性。     

改进的RRT-Connect双足机器人路径规划算法

针对当组态空间内存在大量的窄道时,快速搜索随机树算法(RRT)难以取得连通路径的问题,提出了一种改进的RRT-Connect算法。该算法利用改进的桥梁检测算法来识别和采样窄道,使得路径规划在窄道内能轻易取得连通性;同时将RRT-Connect算法与任意时间算法相结合,显著地减少了RRT-Connect算法的移动代价。每个算法分别运行100次,与RRT-Connect算法相比,改进后的算法成功次数由34提高到93,规划时间由9.3s减少到4.2s。双足机器人的仿真实验结果表明,该算法能在窄道内取得优化路径,同时可以有效地提高路径规划的效率。     

基于双向快速探索随机树的狭窄通道路径规划

针对移动机器人路径规划过程中基于快速探索随机树（RRT）算法难以对窄道进行采样的问题，提出一种专门用于狭窄通道路径规划的改进桥梁检测算法。首先对环境地图预处理并提取出障碍物边缘节点集合作为桥梁检测算法的采样空间，从而避免了大量无效采样点，并使窄道样本点分布更加合理化；其次改进了桥梁端点的构建过程，提高了桥梁检测算法的运算效率；最后使用一种轻微变异Connect算法快速扩展窄道样本点。对于实验中的窄道环境地图，与原始RRT-Connect算法相比较，所提改进算法的路径探索成功率由68%提高到92%。实验结果表明，该算法能够较好地完成窄道样本点采样并有效地提高路径规划效率。     

基于对比优化的RRT路径规划改进算法

针对动态环境下机器人RRT路径规划算法缺乏稳定性和偏离最优解的问题,提出一种基于对比优化的RRT路径规划改进算法。算法在新一周期的环境下,通过对上一周期路径树进行剪枝和重新规划得到一条稳定的路径,同时利用基本RRT算法规划出一条新路径,通过对比两条路径得到较优解。仿真和真实机器人实验结果均表明,改进的算法提高了动态复杂环境下RRT路径规划的稳定性,并保证了规划的路径逼近最优解。     

改进的快速探索随机树双足机器人路径规划算法

针对快速探索随机树(RRT)算法进行路径规划时随机性大且未考虑移动代价的问题,提出了任意时间快速探索随机树算法。生成一组快速探索随机树,之后每个树都重新使用上个树的信息来不断改进树的延伸。为进一步优化算法,使用节点缓存来生成一个引力函数来减少移动代价。最终的算法能够快速地生成初始路径,在规划时间内不断地改进路径且通过使用阈值来确保后面路径都比上次的移动代价更小。双足机器人仿真实验中,改进后的算法与初始的算法相比,搜索的节点数由883减少到704,效率提高了近25%。实验结果表明了改进算法的有效性。     

一种自适应加权快速探索随机树算法

针对快速探索随机树算法在局部极小区域做大量失败探索的问题,提出一种自适应加权快速探索随机树算法。分析影响快速探索随机树生长的关键因素,提出在树探索的动态过程中应充分利用探索过程的反馈信息,为树节点赋予自适应权重。根据树节点的自适应权重大小,选择树的生长点。仿真结果表明,该方法能有效地提高树探索效率,缩短规划路径长度。     

一个虚拟人手臂操控的运动规划框架

基于双向扩展的启发式快速扩展随机树(RRT)算法,提出了一种虚拟人手臂操控的运动规划框架。该框架根据是否抓握操控对象,将虚拟人的手臂操控划分为接触和搬运两个阶段,分别采用手臂的前向和逆向运动学两种策略进行规划,保证规划结果快速、可靠。通过实验验证了该方法的有效性。     

未知环境下移动机器人实时路径规划

针对在未知环境下实现移动机器人实时的路径规划问题,提出了一种将快速扩展随机树（RRT）算法与视野域自适应的滚动窗口相结合的路径规划算法。该方法实时获取滚动窗口内的局部环境信息,根据环境的变化,滚动窗口视野域进行自适应调整,通过分析滚动窗口内传感器获取的信息,结合改进后的RRT算法筛选出可行的路径,控制移动机器人到达子目标点,在此过程中动态监测规划好的路径,确保路径合理,并重复上述过程,直至到达目标区域。实验对比分析表明,该方法能实时并有效实现未知环境下移动机器人的路径规划。