飞行机器人的电力杆塔巡检路径规划

针对飞行机器人进行电力杆塔巡检路径规划.对内存有限的嵌入式飞行器,结合飞行机器人的运动性能约束,基于采样优化方法,提出了一种改进的RRT*FN路径规划算法.仿真环境设置为有障碍物的二维简单环境、三维复杂环境和电力杆塔巡检路径规划,结果表明本文所提出算法较其他RRT算法在最大节点数受限情况下保持其快速性和有效性.     

基于模糊滚动RRT算法的移动机器人路径规划

研究了环境未知情况下的移动机器人路径规划问题,将快速扩展随机树(RRT)算法与基于滚动窗口的路径规划相结合,提出一种新的移动机器人路径规划算法,克服了RRT算法通常只能在已知环境中进行移动机器人路径规划的限制。规划时只考虑窗口环境地图,提高了RRT算法规划效率,保证了算法的实时性。针对RRT算法路径规划缺乏确定性的问题,结合人类经验及模糊控制理论,以概率来随机取点,并引入启发式估价函数,使随机树易于朝目标点方向生长。同时运用回归分析生成新节点,增强了算法搜索未知空间的能力,避免了可能产生的局部极小。最后仿真实验验证了该算法的有效性。     

基于多旋翼无人机的输气管道巡检路径规划研究

为了解决多旋翼无人机在工业输气管道巡检的过程中快速规避障碍物问题,提出了一种基于快速扩展随机树(Rapidly-exploring Random Tree, RRT)的改进算法,针对传统RRT算法的随机性高、收敛速度慢和规划路径长且曲折问题,结合空间环境特点在随机点采样方式和路径优化两个方面做出了改进。首先,设置随机采样点的取值范围;然后引入目标偏向采样策略对随机树的扩展方向进行引导;最后对生成的路径进行裁剪和平滑处理,并通过在不同的数字模拟地图中与传统RRT算法、带路径修正的启发式RRT算法进行仿真实验比较。实验结果表明:改进后的RRT算法在执行输气管道巡检任务时能够快速地生成一条路径短且平滑的避障路径。     

基于改进RRT算法的移动机器人路径规划研究

路径规划是移动机器人开发的核心技术,而传统RRT算法所规划的路径距离长、拐点多,对RRT算法进行改进,引入A~*算法思想,改进待扩展节点的选择。引入人工势力场思想,改进扩展方向的选择。对规划的路径消除冗余点,并采用三次样条函数进行平滑处理。将改进的RRT算法应用于虚拟简单环境地图、虚拟复杂环境地图中,结果表明改进RRT算法所规划的路径平顺性好、路径长度短且所用时间短。最后将改进的RRT算法应用于实际的移动机器人路径规划中,路径规划结果验证了该算法的可行性。     

基于环境复杂度的移动机器人变步长RRT路径规划算法与仿真研究

针对移动机器人路径规划算法不能根据环境自适应调整步长的问题,提出一种基于环境复杂度的变步长路径规划算法。以快速搜索随机树(RRT)算法为例,引入衡量路径规划性能的参数,通过遗传算法寻找最优步长与环境复杂度之间的关系,建立最优步长与环境复杂度的函数表达式。针对局部环境的特殊性,提出基于滑动窗的变步长RRT路径规划算法。基于该算法,移动机器人能够根据实时局部环境动态改变路径规划的搜索步长,提高了算法的整体性能。最后通过Matlab仿真实验验证了所提出的RRT算法较传统RRT算法具有高效、平稳、代价小的优点。     

递相祖述复先谁——李退溪所捍卫的朱子义利说

根据传统快速搜索随机树算法(rapidly random-exploring trees,简称RRT)搜索速度快、所需时间短,但随机性大以及约束不足等特点,建立了直道和弯道的期望路径模型,采用高斯分布描述随机采样点,并引入启发式搜索机制,改进RRT算法.与原算法仿真对比,结果表明：改进算法所规划的路径质量显著提高,规划时间缩短一倍.同时,在Prescan软件中搭建直道和弯道仿真场景,跟随规划路径,结果表明：改进后RRT算法所得路径具有很好的跟随效果,且侧向加速度在车辆稳定性要求范围内,说明采用改进后的RRT算法进行汽车局部路径规划可行实用.     

基于改进快速扩展随机树算法的移动机器人路径规划

针对快速扩展随机树(RRT)算法为移动机器人规划的路径存在曲折冗长,且容易与障碍接触过近的问题,提出了一种改进的RRT算法;设计了新的临时目标点选取规则以及自适应步长调整策略;考虑到移动机器人的自身约束条件,设置了最小转弯半径和最小安全距离约束,并对规划出的路径进行平滑处理。仿真实验结果表明,改进的RRT算法能够有效地生成移动机器人的可行路径,与传统的RRT算法相比,在宽敞环境和狭窄环境中的平均路径长度分别减小了77.41和20.09,规划所得路径较为平滑,能够与障碍物保持一定的距离。     

改进RRT在汽车避障局部路径规划中的应用

根据传统快速搜索随机树算法(rapidly random-exploring trees,简称RRT)搜索速度快、所需时间短,但随机性大以及约束不足等特点,建立了直道和弯道的期望路径模型,采用高斯分布描述随机采样点,并引入启发式搜索机制,改进RRT算法.与原算法仿真对比,结果表明:改进算法所规划的路径质量显著提高,规划时间缩短一倍.同时,在Prescan软件中搭建直道和弯道仿真场景,跟随规划路径,结果表明:改进后RRT算法所得路径具有很好的跟随效果,且侧向加速度在车辆稳定性要求范围内,说明采用改进后的RRT算法进行汽车局部路径规划可行实用.     

基于一种改进RRT算法的足球机器人路径规划

针对足球机器人运用传统快速扩展随机树(RRT)算法进行路径规划时随机性大的问题,提出了一种目标引力式的RRT路径规划算法。该算法在RRT算法的基础上引入了一个目标引力函数,避免了扩展随机树向目标点以外的方向生长,改进了快速扩展随机树缺乏确定性的问题,提高了足球机器人在路径规划方面的效率。仿真实验结果表明,该算法能够得到最佳路径,同时可以有效提高路径的规划速度。     

基于多优化快速扩展随机树算法的足球机器人路径规划

研究RoboCup比赛未知环境中足球机器人的路径规划问题。提出一种多优化设计快速扩展随机树(rapidly exploring random tree,RRT)的足球机器人路径规划算法,解决了足球机器人在路径规划中存在的速度慢、效果差的问题。依据基本RRT算法原理,针对其随机性强、收敛速度慢以及路径平滑效果差的缺点,提出了随机采样点处增加引力分量、多步扩展逼近目标点以及冗余节点的剪裁与路径平滑等优化方式。在不同障碍物地图中的仿真实验表明,优化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%～30%,采样点数量减少45%～65%。最终将优化算法移植到SimRobot仿真平台,结果表明多优化设计RRT算法在未知环境中具备良好的实时性和鲁棒性,能够满足机器人在赛场上的路径规划要求。     

动态步长BI-RRT的无人机航迹规划算法

为解决传统RRT算法收敛速度慢、生成的航径距离过长等问题,提出动态步长BI-RRT算法。首先,采用引向目标的采样策略对空间进行探索以得到采样点,利用动态步长策略确定该采样点的增长步长以确定新节点;之后,通过树枝裁剪策略对新节点进行调整,当探索到目标节点时,算法返回初始航迹,对于初始航迹,应用贪心算法对航迹点进行筛选,以减少无人机(UAV)的无效节点与总航迹长度;最后,利用B样条进行平滑处理,得到一条可行航迹。搭建了二维和三维环境下的仿真地图模型,验证了该算法在保证无人机避障的基础上获得一条有效航迹。动态步长BI-RRT算法在无人机航迹规划方面不仅有实时性强、航迹光滑的优点,而且与分段优化RRT算法相比,在优化航迹节点个数的前提下,提高了收敛速度且降低了航迹距离。     

无人机快速航迹规划算法

基于快速搜索树提出了一种快速高效同时具有鲁棒性的航迹规划算法.该算法主要包括3部分:选择采样点、搜索扩展树上距采样点最近的节点和扩展节点.首先产生采样点,以一定概率选取目标点作为采样点来提高航迹的质量和规划速度;然后找出搜索树上距采样点最近的节点;最后扩展节点,扩展节点时把航迹约束条件结合到节点扩展过程中,保证了航迹的可行性.这个过程不断迭代,直到找到目标点.仿真结果显示本方法能快速找到近似最优解并且对规划环境有一定的鲁棒性.     

无人车运动规划算法综述

回顾无人车运动规划问题.无人车的运动受微分约束,且运行环境既包括结构化的道路也包括非结构化的野地.根据具有阿克曼转向性质的车辆模型所具有的微分平坦性质,可以简化无人车的轨迹生成问题.相比直接轨迹生成法,路径-速度分解法更常用.回旋线、样条曲线、多项式螺旋线是使用较多的路径生成曲线.具有重要实用意义的两大类无人车运动规划算法分别是:以快速随机扩展树算法(RRT)为代表的基于采样的规划算法和以A*搜索算法为代表的基于搜索的规划算法.     

基于遗传算法的无人机航迹规划研究

本文研究了一种用遗传算法进行无人机航迹规划的方法,指出了无人机航迹规划的定义;提出了一种给定威胁及障碍分布下的无人机路径规划算法。根据威胁及障碍分布情况构造无人机可能飞行的航路集voronoi图,采用Dijkstra算法搜索威胁及障碍分布图,求解初始最短路径。在初始最短路径基础上,采用遗传算法优化初始路径。最后进行仿真实验,结果验证了遗传算法能提高航迹质量。     

基于改进双向A星和向量场直方图算法的无人机航路规划

现代无人机的行驶环境复杂多变,对无人机的航路规划不仅要求路径最短,同时还要满足实时性以应对突发威胁。提出一种离线规划和在线避障结合的航路规划方法。首先利用改进的双向A*算法对已知环境进行离线规划,并提出基于碰撞检测的动态步长和双向去除冗余点方法,在不影响路径精度的同时,缩短离线规划时间和路径。在无人机按照离线路径行驶过程中,当规划路径中出现突发威胁,利用VFH算法进行实时避障;对避障算法设置子目标,使无人机完成避障后能迅速回到离线轨迹,不影响全局路径的最优性.仿真实验表明,所提方法规划的路径长度短、耗时少,并能有效避开突发威胁,充分结合了双向A*算法路径最优和VFH算法的快速实时避障性的优点。     

一种双阶段多智能体路径规划算法

多智能体路径规划旨在解决多个智能体在同一工作空间内生成无碰撞路径的问题,是智能体无人化工作的关键支撑技术。基于回溯思想和自适应局部避障策略,提出了一种双阶段多智能体路径规划算法。在全局路径规划阶段,基于回溯思想改进的RRT~*(rapidly-exploring random trees star)算法(back tracking rapidly-exploring random trees star, BT-RRT~*),减少无效父节点,并确保各智能体生成优化的无碰撞路径。在协作避障阶段,智能体依据自身的任务优先级制定局部避障策略,避开动态障碍物和其他智能体。实验结果表明,该算法可成功寻找较优路径,还可降低避障时间。     

基于改进蚁群算法的无人机航迹规划

针对无人机在指定地点执行侦察、 巡逻或攻击等任务, 将无人机执行任务的航迹代价模型转化为旅行商问题, 采用改进蚁群算法实现航迹规划。通过引入去交叉禁忌搜索策略, 对基本蚁群算法进行改进, 以解决在收敛后期易陷入局部最优的问题。同时, 利用数值仿真对所研究的基于改进蚁群算法的无人机航迹规划算法进行验证。仿真结果表明, 该算法能提高了无人机航迹优化能力。     

改进RRT算法的机器人路径规划

机器人已被广泛应用于日常生活之中。路径规划作为机器人的主要技术之一，优秀的路径规划算法能提升机器人的工作效率、降低其使用成本，并为研究机器人的导航打下良好的基础。RRT(rapidly-exploring random trees)算法具有扩展性强的优点，但存在路径长度并非最优、光滑性差等不足，为此提出反向寻优和三次样条曲线插值以改进算法，并在MATLAB和ROS(robot operating system)系统中仿真。结果表明：改进后的RRT算法能降低路径长度，减少节点数目，提高光滑性，实现了算法的有效性。