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。     

基于改进RRT-Connect算法的移动机器人路径规划

针对双向快速扩展随机树算法RRT-Connect在移动机器人路径规划中生成路径绕远、转折多、收敛速度慢等问题,提出一种改进RRT-Connect算法。对新节点引入考虑祖代点的重选父节点环节,利用三角不等式原理优化部分路径长度,对每一个新节点的生成设置转角约束以减小路径转折,同时设计一种动态步长策略以加快算法的收敛速度。在两树连接阶段,为使拓展树之间能够平滑且快速连接,在连接处设置转角约束和距离约束,并使用同父节点重连的连接方法。实验结果表明,改进算法能够缩短规划路径长度和收敛时间,生成的路径质量较改进前更优。     

基于改进A*算法的移动机器人路径规划研究

A*算法广泛应用于移动机器人路径规划中，而传统A*算法在寻路时，普遍存在搜索时间较长、效率低下等问题，因此，采用双向搜索的方式，对传统A*算法加以改进，该算法在路径规划过程中，可同时进行正反向路径搜索，同时采用正反向搜索交替机制，保证了最终目标节点搜索在连线中点区域内相遇，从而缩短了寻路计算时间。在MATLAB平台上，针对改进后的A*算法进行仿真实验，结果证明，双向A*算法减少了规划时间，且可生成最优路径。最后，将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上，进行现场实验，实验结果表明，双向A*算法减少了寻路计算时间，从而使得路径搜索效率得到显著提升，且规划路径合理，满足路径规划要求。     

基于双向搜索改进A*算法的自动导引车路径规划

在面积比较大的或划分精细的栅格地图中进行自动导引车(AGV)行驶路径规划时,经典的A*算法搜索得到的路径往往冗余节点和转折点较多,搜索路径时间较长.为了提高A*算法的实时性,提出了一种基于双向搜索路径的A*算法.首先,对于A*算法的启发函数引入父节点和Chebyshev Distance,改进启发函数;其次,引入双向路径搜索的动态窗口,同时从路径的起点和终点搜索路径,得到一条初始路径,并论述了动态窗口的大小对于双向搜索路径的影响;最后,依据关键点搜索原理,剔除初始路径中存在的冗余节点,得到最终的搜索路径.实验证明,相较于单向改进A*算法和改进人工势场算法,双向搜索改进A*算法搜索路径耗费时间分别降低了22.9％和78.4％,路径包含节点数分别降低了82.2％和99.5％,证明了算法的有效性.     

基于双向搜索改进A*算法的自动导引车路径规划

在面积比较大的或划分精细的栅格地图中进行自动导引车(AGV)行驶路径规划时,经典的A*算法搜索得到的路径往往冗余节点和转折点较多,搜索路径时间较长.为了提高A*算法的实时性,提出了一种基于双向搜索路径的A*算法.首先,对于A*算法的启发函数引入父节点和Chebyshev Distance,改进启发函数;其次,引入双向路径搜索的动态窗口,同时从路径的起点和终点搜索路径,得到一条初始路径,并论述了动态窗口的大小对于双向搜索路径的影响;最后,依据关键点搜索原理,剔除初始路径中存在的冗余节点,得到最终的搜索路径.实验证明,相较于单向改进A*算法和改进人工势场算法,双向搜索改进A*算法搜索路径耗费时间分别降低了22.9％和78.4％,路径包含节点数分别降低了82.2％和99.5％,证明了算法的有效性.     

基于改进RRT-Connect算法的机械臂抓取路径规划

本文针对机械臂在目标抓取过程中存在路径长、搜索效率低等问题,提出一种改进RRT-Connect(双树快速随机扩展连接树)路径规划策略.首先,为了降低传统RRT-Connect路径搜索的随机性,增加目标偏执策略,同时引进极致贪婪函数,提高其收敛速度.其次,利用Dijkstra算法进行路径优化,得到最小路径,再引用B样条函...     

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RRT改进算法的AGV路径规划

传统快速扩展随机树（RRT）算法在搜索空间中,随机采样生成我们所需要的树,由树的起始点直到终点,探索出一条无障碍的路径。采样点是均匀随机,导致算法过于随机,生成路径的效率不高且生成路径质量偏低,在面对狭窄通道时容易导致算法局部循环甚至搜索失败,传统算法生成的路径过于曲折不利于跟踪行驶。针对这些问题,改进后的算法在RRT的基础上,增加算法贪婪计算和目标节点的启发;将扩展的采样点重点集中于一定的区域,满足正态分布。仿真实验表明,改进后的算法效率更高,生成路径质量高,面对狭窄通道这个传统难题也可以高质高效地生成一条路径,利于AGV跟踪行驶。     

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。     

双向搜索机制的改进A*算法研究

针对大规模环境下传统A*算法路径寻优存在的内存占有率高、计算效率低下的问题,提出了一种改进A*算法。引入了双向搜索机制,以原始起点、终点和对向搜索所处的当前节点作为目标点进行搜索操作,使AGV的路径寻优具备更加合理的方向性;优化评价函数,改进了评价函数的传统计算方式,通过测试为评价函数选择了合适的权重系数,减少路径寻优过程中的冗余点,提升路径寻优的计算效率,节约内存占有率。为了验证改进A*算法的有效性,在Matlab平台中进行编程,在不同尺寸的含障碍栅格地图中进行了仿真。仿真结果表明：改进A*算法在路径寻优过程中所遍历的节点数量较少,搜索过程中的计算效率更高,并且可获得到达目标点的最短路径。     

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。     

结合Bresenham与JPS的静态栅格地图的路径搜索算法

路径规划问题一直是人工智能及游戏的研究重点,现在使用较为广泛的启发式算法是A*算法,其缺点在于动态扩展节点过多,会占用大量计算机内存,影响寻路速率。通过改良提出JPS跳点算法,减少内存的消耗,该算法存在跳点数量多,计算冗余等问题。论文将Bresenham算法和JPS跳点算法结合,在使用JPS跳点算法之前,首先用Bresenham算法求出起点和终点之间的直线路径,并记录该直线路径中碰到障碍物节点的前一节点,其次用JPS跳点算法求出两个点的路径,最后将路径加以拼接,以达到减少跳点的数量和离线搜索的节点数量。仿真结果表明该算法可以有效减少跳点数量的生成,减少离线搜索的节点数量。     

基于扇形领域扩展的同步双向A*算法

为提高航空器飞行的安全性和平滑性,解决传统A^*算法拐弯角度过大、搜索路径节点过多等问题,提出一种基于扇形领域扩展的同步双向A^*搜索算法。首先,根据栅格图法扩展危险区域边界;其次,设计了基于同步双向搜索的A^*算法,动态定义正反向搜索的目标节点。针对搜索角度有限问题,提出了在5×5领域内的扇形领域扩展策略,并设计了含有双重权重参数的评价函数以减少冗余点的产生。为验证改进算法的有效性,选取方形和不规则形状危险区进行仿真。结果表明改进的同步双向搜索算法搜索的路径更平滑;与传统双向A^*算法的结果相比,在不同形状的危险区域下,搜索路径长度分别减少了1.65%、13.16%,搜索路径节点个数减少了42.6%、46.81%,具有较强的搜索效率。     

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。     

基于理论最短距离变权重A*算法的路径规划

在栅格化的障碍物地图中,将简单高效的A*算法引入解决路径规划问题。为了提高路径规划效率,减少搜索节点数量,提出了一种在规定的椭圆区域内,基于理论最短距离动态改变A*算法中估价函数权重的最短路径算法。该算法将搜索范围限定在规定的椭圆区域内,椭圆以起点和终点为焦点,利用统计分析与路径中障碍物尺寸相结合的方法计算长轴参数。将各节点实际代价权重赋予动态变化的权值,以实际代价与起点 到终点 的直线距离的比值为该点权重,且规定了上下限以保证搜索精度。同时,对节点估计代价赋予惩罚函数,远离理论最短路径距离的节点将获得较大的惩罚值,使最终路径靠近理论最短路径。通过仿真实验证明,该算法在保证搜索精度的前提下,大大提高了搜索效率。     

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.     

一种基于改进快速搜索随机树算法的管路自动布局方法

针对非正交管路自动布局问题,提出一种基于障碍物碰撞信息的快速搜索随机树 改进算法。该算法主要采用基于碰撞信息的节点扩展策略、快速绕障算法以及基于概率思想的 节点扩展策略3 种方法进行改进,能够在较短的时间内搜索出一条沿结构件表面从起点到终点 的路径,在此基础上采用基于关键节点的路径优化策略,对求解得到的布局路径进行优化后形 成最终的管路布局结果。开发了原型系统,通过实例验证了该算法的可行性。     

煤矿履带式定向钻机路径规划算法

煤矿履带式定向钻机路径规划过程中存在机身体积约束和实际场景下的行驶效率需求,而常用的A*算法搜索速度慢、冗余节点多,且规划路径贴近障碍物、平滑性较差。提出一种以改进A*算法规划全局路径、融合动态窗口法（DWA）规划局部路径的煤矿履带式定向钻机路径规划算法。考虑定向钻机尺寸影响,在传统A*算法中引入安全扩展策略,即在定向钻机和巷道壁、障碍物之间加入安全距离约束,以提高规划路径的安全性;对传统A*算法的启发函数进行自适应权重优化,同时将父节点的影响加入到启发函数中,以提高全局路径搜索效率;利用障碍物检测原理对经上述改进后的A*算法规划路径剔除冗余节点,并使用分段三次Hermite插值进行二次平滑处理,得到全局最优路径。将改进A*算法与DWA融合,进行煤矿井下定向钻机路径规划。利用Matlab对不同工况环境下定向钻机路径规划算法进行仿真对比分析,结果表明：与Dijkstra算法和传统A*算法相比,改进A*算法在保证安全距离的前提下,加快了搜索速度,搜索时间分别平均减少88.5%和63.2%,且在一定程度上缩短了规划路径的长度,路径更加平滑;改进A*算法与DWA融合算法可有效躲避改进A*算法规...