基于改进双向RRT*的移动机器人路径规划算法

针对复杂环境下移动机器人的局部最优路径规划,提出一种基于目标偏置扩展和Cantmull-Rom样条插值的双向RRT^*路径规划算法.双向RRT^*算法同时创建两颗搜索树,交替进行相向搜索,同时以一定的概率进行随机点的目标偏置选择,以提高算法的整体收敛效率;再对当前节点重选父节点和重布线,以增强算法对环境的敏感程度.为确保路径安全可行,对环境中的障碍物进行膨胀处理,再对初始路径进行碰撞检测;修剪冗余节点,缩短可行路径长度,再利用Cantmull-Rom样条插值法平滑路径.在Matlab仿真平台和ROS机器人仿真平台分别进行2D和3D的对比实验,验证了改进双向RRT^*算法的有效性和优越性.     

基于改进RRT*算法的移动机器人路径规划

为解决渐进最优快速扩展随机树(RRT~*)算法在特殊环境下(如狭窄通道)路径规划存在的内存占用多、规划效率低等问题,提出了一种基于目标约束采样和目标偏置扩展的改进RRT~*算法.首先,在采样上引入目标偏置策略,并对每次采样进行位置约束,使采样的目标导向性更强.然后,在新点扩展上摒弃了已有算法单纯朝着采样点扩展的思路,通过给采样点和目标点分配不同权重,使得每一次扩展同时由采样点和目标点共同决定,进而加快搜索速度.接着,采用三次B样条曲线对搜索到的路径进行平滑处理,以保证路径的可行性.最后,分别基于Matlab和V-REP平台对RRT~*算法和改进RRT~*算法进行了2D和3D的对比实验,实验结果验证了改进RRT~*算法的优越性和有效性.     

基于改进遗传算法的移动机器人路径规划研究

针对传统遗传算法在解决采样点模型下的路径规划问题中存在种群进化速度慢、最终得到的最优路径偏长的问题,提出一种改进遗传算法．为提高初始种群的质量,提出自适应调整步长来限制子节点的选择范围,在这个范围内随机选取两条父代路径,在对应两节点之间形成一个矩形的子代节点搜索范围,每个范围中选取一点并依次连接得到交叉后的子代个体,避免了采样点模型下交叉点不足导致交叉无效的问题;为解决变异效果不可控的问题,以变异父节点的前后两点连线为引导,越靠近该连线的节点被选为变异子节点的概率越大,使得在变异点的选择更具有方向性．对比实验结果表明：所提出的改进遗传算法当处理基于采样点路径规划问题时可以有效提高寻路效率,最优路径收敛速度比传统遗传算法提高约60%,最优路径长度最多减少了2.42 m,比其他文献算法的最优路径收敛速度最多提高56%.     

复杂环境下六自由度机械臂路径规划的Biased-RRT修正算法

为解决复杂环境下六自由度机械臂的路径规划问题,提出一种基于采样规则目标导向设计、父节点重选的修正算法。该算法在原目标偏置策略的基础上对随机采样点的选取规则进行重新设定,以引导算法搜索树在尽可能向目标区域扩展的同时有效避开复杂障碍物。在节点扩展方面,依据新节点距离目标点的远近采用变步长扩展方式,即在距离远时选用大步长,加快搜索树扩展;进入目标区域后选用小步长,防止节点扩展陷入局部死循环。在路径优化方面,所提算法通过引入基于路径代价最小的重选父节点操作及多余路径节点剔除操作,来使规划出的路径相对优化。最后,利用三次样条插值技术为机械臂各关节规划出一条光滑、连续且无障的运动曲线。仿真结果表明,所提算法可有效缩短路径规划时间、减少路径长度,较好地完成了复杂环境下六自由度机械臂的预期路径规划任务。     

连续卸船机取料装置换舱路径规划研究

为实现连续卸船机无人化、智能化作业，提出基于改进的快速扩展随机树(RRT)算法对连续卸船机取料装置的换舱路径进行避障路径规划.改进的RRT算法在双向快速扩展随机树(Bi-RRT)基础上，引入概率偏置因子并通过限制采样点范围来提高算法的收敛速度和搜索效率；通过对父节点的重新选择和重新布线操作，并采用粒子群算法对路径进行优化，从而提高规划出的路径质量；最后采用贝塞尔曲线对规划出的路径进行平滑处理，得到最终路径.连续卸船机取料装置的路径规划研究为实现连续卸船机全自动化作业提供了可能.     

一种基于RRT-ConCon改进的路径规划算法

针对RRT算法缺乏稳定性和收敛速度慢的问题,基于RRT-ConCon算法和朝向目标搜索的策略,提出了一种改进的双向搜索路径规划算法.该算法通过改变两条搜索路径的临时扩展目标点,使搜索路径不仅易于朝着目标点方向生长,而且提高了算法的稳定性,同时可以保证规划的路径接近最优解.改进的RRT-ConCon算法利用随机节点生成函数,使朝着目标点生长的搜索路径避免陷入局部极小值.同时,为了测试各种仿真实验环境,还设计了一种仿真实验环境平台,实验结果验证了本算法的有效性和稳定性.     

融合插点和跳跃点改进A*算法的路径规划

为了解决传统A*算法在路径规划中存在的一些问题,提出了一种融合插值点跳跃搜索路径算法来改进A*算法。在对栅格环境图中具有特殊意义的多组数据进行预处理后,通过起始点和目标点确定目标函数,并搜索出一条最优路径。利用MATLAB软件平台对8组规格不同的环境图进行了路径规划仿真。实验结果表明,改进后的算法可以减少计算时间、搜索节点数量、内存占用和搜索路径长度。可见改进后的算法在搜寻最佳路径方面的效率更高。     

基于Bezier曲线的自主移动机器人最优路径规划

以自主移动机器人为研究对象,以足球机器人为研究平台,针对足球机器人运动轨迹的实际特点,提出了一种基于3次Bezier曲线的最优路径规划方法.该方法以足球机器人实际比赛时的速度、加速度和有效躲避运动轨迹上的障碍物作为路径规划的约束条件,以所规划路径和机器人到达目标点花费时间最短为规划目标.同时将Bezier曲线规划方法与粒子群优化算法相结合,通过粒子群优化方法对产生轨迹的各粒子进行选择更新,并调整各约束条件的权重系数,从而增强了路径规划的有效性和精度.最后通过仿真实验验证该方法有效可行.     

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.     

移动机器人全局动态路径规划融合算法

针对移动机器人全局动态路径规划效率较低的问题,提出一种基于安全A^*算法与双速度模型动态窗口法的全局动态路径规划融合算法.首先,通过安全A^*算法得到全局最优路径节点,将其作为临时目标节点,为动态规划提供全局信息,避免出现局部最优.然后,采用时间序列Bottom-Up算法减少路径节点数,从而减少迭代次数、计算代价和储存代价,提高算法效率.最后,采用双速度模型对动态窗口法进行改进,通过避障重规划机制,解决全局动态路径规划时移动机器人绕远甚至绕圈的问题,并通过MATLAB平台进行仿真实验.仿真结果表明:文中算法的规划效率可提高46.18%,保证了路径的安全性和移动机器人速度的平稳性,文中算法的路径质量和规划效率更佳.     

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。     

基于改进双向RRT算法的机器人路径规划

针对双向快速搜索随机树（BI-RRT）算法在路径规划中存在目标导向性差、收敛速度慢、路径拐点多的问题,提出了一种改进BI-RRT算法。通过目标导向引导随机树更快朝向目标点生长,提高收敛速度。引入贪婪路径优化策略,有效减少路径拐点,提高了路径规划算法的效率。同时提出了一种圆盘碰撞检测的算法,并在多个场景中用Matlab平台进行了圆盘移动机器人的路径规划仿真实验,实验结果验证了所提出算法的可行性和有效性。     

一种改进的双向快速搜索随机树算法

针对快速搜索随机树(RRT)算法随机性大、效率低的问题,提出了一种改进的双向RRT算法。该算法采用预生长机制,快速通过前期无障碍区域;以重要程度划分障碍物,减小势场计算规模,提高路径规划的避障效率;同时采用基于欧氏距离的筛选机制对随机点进行遴选,减少在低可能路径区域的生长。最后在仿真环境下进行实验,验证了所提算法的可行性和有效性。     

融合改进A*和动态窗口法的AGV动态路径规划

摘要:路径规划对AGV完成自主导航起着关键性的作用,针对这点出发,本文提出一种全局采用改进的A*算法,局部在保证全局最优的情况下采用融合A*和DWA两种算法,首先加入AGV的位置信息,在传统的评价函数基础上设置了包含代价函数和启发函数的权重函数,其次,将传统的8个搜索方向,变成了5个,提高了路径搜索效率,为了进一步增加路径的平顺性,对节点进行优化,删除了多余的转折点,保留下关键的转折点,然后在此基础上又设置了安全域值,进一步删除多余的转折点,从而保证了全局路径最优,为了实现AGV实时动态避障,本文将A*和DWA两种算法融合,进行在线实时规划路径,设计了一种基于全局最优路径的圆滑路径曲线,经过仿真,本文提出的算法在路径长度,机器人平均转折角度,运行时间等都大大减少,最后,通过实验进一步验证了算法的可行性。     

基于平滑A~*算法的移动机器人路径规划

栅格环境下A*算法规划出的移动机器人路径存在折线多、转折次数多、累计转折角度大等问题.为获得较优路径,提出平滑A*算法.在A*算法规划的路径基础上,遍历路径中的所有节点,当某一节点前后节点连线上无障碍物时,将延长线路的这一中间节点删除,建立平滑A*模型.仿真结果表明,平滑A*算法优于Ant(蚁群),Anyti me D*算法.平滑A*算法路径长度降低约5%,累计转折次数降低约50%,累计转折角度减少30%～60%.平滑A*算法能处理不同栅格规模下、障碍物随机分布的复杂环境下移动机器人路径规划问题.