针对传统RRT^(*)算法(Rapidly-Exploring Random Tree,RRT)在全局路径规划过程中存在收敛速度慢、搜索路径不平滑、内存占用多等问题,提出了一种APF-RRT^(*)(Artificial Potential Field,APF)融合搜索算法。首先,为了加快RRT^(*)算法在...针对传统RRT^(*)算法(Rapidly-Exploring Random Tree,RRT)在全局路径规划过程中存在收敛速度慢、搜索路径不平滑、内存占用多等问题,提出了一种APF-RRT^(*)(Artificial Potential Field,APF)融合搜索算法。首先,为了加快RRT^(*)算法在搜寻过程中的收敛速度,在算法中利用人工势场引导快速扩展随机树向目标点生长,在RRT^(*)算法扩展节点时加入APF的目标引力与障碍物斥力思想;其次,对融合算法在空间中的采样范围做出改进,使算法在APF产生的合力特定范围内进行采样,提高算法在空间中的搜索效率,减少无用节点的扩展;最后,对融合算法规划的路径进行平滑优化,减少不必要的路径,降低无人机实际飞行的代价。在多种不同障碍物环境下进行了对比仿真实验,融合算法相较于传统RRT和RRT^(*)算法搜索效率显著提升,路径代价与平滑度得到进一步优化,且降低了随机树无用节点的扩展,节点的利用率得到大幅提升。展开更多
文摘针对传统RRT^(*)算法(Rapidly-Exploring Random Tree,RRT)在全局路径规划过程中存在收敛速度慢、搜索路径不平滑、内存占用多等问题,提出了一种APF-RRT^(*)(Artificial Potential Field,APF)融合搜索算法。首先,为了加快RRT^(*)算法在搜寻过程中的收敛速度,在算法中利用人工势场引导快速扩展随机树向目标点生长,在RRT^(*)算法扩展节点时加入APF的目标引力与障碍物斥力思想;其次,对融合算法在空间中的采样范围做出改进,使算法在APF产生的合力特定范围内进行采样,提高算法在空间中的搜索效率,减少无用节点的扩展;最后,对融合算法规划的路径进行平滑优化,减少不必要的路径,降低无人机实际飞行的代价。在多种不同障碍物环境下进行了对比仿真实验,融合算法相较于传统RRT和RRT^(*)算法搜索效率显著提升,路径代价与平滑度得到进一步优化,且降低了随机树无用节点的扩展,节点的利用率得到大幅提升。
