文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通...文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通过去除已搜索区域,控制随机点的产生位置,降低搜索的随机性。其次,采用人工势场导向节点扩展策略,将障碍物与目标点的影响考虑到节点的扩展中,降低搜索的盲目性。然后,对初步路径进行优化,去除冗余部分、缩短路径距离。最后,使用最小snap的方法结合飞行走廊和时间重新分配,在保证不与障碍物碰撞的前提下使轨迹光滑连续,并将物理量控制在合理范围内。仿真试验结果表明:改进后的算法在搜索到路径时相较于未改进算法所扩展的节点平均减少了34.3%,对初步路径进行优化后路径长度平均缩短了25.8%。展开更多
文摘文中针对传统RRT(Rapidly Exploring Random Tree)路径规划算法所存在的搜索随机性强、盲目性、路径冗余性及轨迹不连续性的问题,提出了一种改进RRT的运动规划算法,并对轨迹进行优化。首先,设计了去除搜索区域的动态采样区域的方法,通过去除已搜索区域,控制随机点的产生位置,降低搜索的随机性。其次,采用人工势场导向节点扩展策略,将障碍物与目标点的影响考虑到节点的扩展中,降低搜索的盲目性。然后,对初步路径进行优化,去除冗余部分、缩短路径距离。最后,使用最小snap的方法结合飞行走廊和时间重新分配,在保证不与障碍物碰撞的前提下使轨迹光滑连续,并将物理量控制在合理范围内。仿真试验结果表明:改进后的算法在搜索到路径时相较于未改进算法所扩展的节点平均减少了34.3%,对初步路径进行优化后路径长度平均缩短了25.8%。
