快速扩展随机树算法(Rapidly-expanding Random Trees),因其收敛速度快,无需对环境建模等优势被广泛应用在高维空间的路径探索中。但是,复杂环境下运用RRT算法也暴露出一些问题,如算法盲目生成随机点导致搜索时间过长,生成路径冗余,不...快速扩展随机树算法(Rapidly-expanding Random Trees),因其收敛速度快,无需对环境建模等优势被广泛应用在高维空间的路径探索中。但是,复杂环境下运用RRT算法也暴露出一些问题,如算法盲目生成随机点导致搜索时间过长,生成路径冗余,不平滑等。针对以上问题,提出了一种改进方案,首先提出了预置树的概念,将探索区域均匀的分布到整个空间,同时引入双向的RRT搜索方法,添加目标偏置因子、贪婪策略、变步长方案使双树尽可能快的连接,接着在使用全局优化策略后,利用正、反向剪枝获得更优点集,最后利用nurbs曲线进行路径平滑插补。仿真实验表明,该方案同比迭代类算法RRT*的搜索时间缩短了76.5%左右,路径长度减少了11%左右,同比搜索类算法RRT-connect找到路径的时间缩短了55%左右。展开更多
文摘快速扩展随机树算法(Rapidly-expanding Random Trees),因其收敛速度快,无需对环境建模等优势被广泛应用在高维空间的路径探索中。但是,复杂环境下运用RRT算法也暴露出一些问题,如算法盲目生成随机点导致搜索时间过长,生成路径冗余,不平滑等。针对以上问题,提出了一种改进方案,首先提出了预置树的概念,将探索区域均匀的分布到整个空间,同时引入双向的RRT搜索方法,添加目标偏置因子、贪婪策略、变步长方案使双树尽可能快的连接,接着在使用全局优化策略后,利用正、反向剪枝获得更优点集,最后利用nurbs曲线进行路径平滑插补。仿真实验表明,该方案同比迭代类算法RRT*的搜索时间缩短了76.5%左右,路径长度减少了11%左右,同比搜索类算法RRT-connect找到路径的时间缩短了55%左右。
