针对传统路径规划算法在三维复杂障碍物环境下规划效率低和搜索路径质量不足的缺点,提出一种自适应APF-RRT^(*)路径规划方法。在势力场作用下引导路径节点以不同步长动态生长,以解决传统快速扩展随机树(rapidly-exploring random tree s...针对传统路径规划算法在三维复杂障碍物环境下规划效率低和搜索路径质量不足的缺点,提出一种自适应APF-RRT^(*)路径规划方法。在势力场作用下引导路径节点以不同步长动态生长,以解决传统快速扩展随机树(rapidly-exploring random tree star, RRT^(*))算法盲目搜索和人工势场法(artificial potential field, APF)易陷入局部最优的问题;通过定义父节点重选流程和引入动态偏向采样概率,优化算法迭代过程;对已有路径进行贪心算法迭代优化与平滑处理,减少路径冗余节点,增强实际使用效果。经过实验验证,对比其他2种算法,自适应APF-RRT^(*)算法在不同环境上的迭代次数、耗时、路径长度均得到减少;将该方法用于UR5机械臂上进行仿真验证,机械臂能够实现良好的避障功能,平稳完成路径规划任务。展开更多
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
为加快末端物流配送的效率,提出一种配送无人机的航迹规划问题。针对传统快速搜索随机树(rapidlysearch random tree,RRT)算法在航迹规划中存在的盲目性和路径不平滑等问题,将人工势场法(artificial potential field,APF)与Informed-RRT...为加快末端物流配送的效率,提出一种配送无人机的航迹规划问题。针对传统快速搜索随机树(rapidlysearch random tree,RRT)算法在航迹规划中存在的盲目性和路径不平滑等问题,将人工势场法(artificial potential field,APF)与Informed-RRT^(*)算法融合,提出一种自适应步长增长策略的改进APF-Informed-RRT^(*)算法。首先在选择新节点时,考虑到障碍物和目标点的影响,提出一种自适应步长增长策略来解决采样的盲目性;其次采用三次B样条对拐点处进行平滑处理;最后分别采用RRT^(*)算法、Informed-RRT^(*)算法和改进APF-Informed-RRT^(*)算法在两种环境中进行仿真实验。结果表明,改进APF-Informed-RRT^(*)算法相较于RRT^(*)算法和Informed-RRT^(*)算法,在运行时间、迭代次数以及路径平滑上都得到提升。展开更多
针对六自由度工业机器人在复杂的分拣环境中分拣速度慢、避障效果差等问题,提出了一种融合人工势场(Artificial Potential Field,APF)算法的快速扩展随机树(Rapidly-exploring Random Tree,RRT)改进算法。传统RRT算法路径规划随机性强...针对六自由度工业机器人在复杂的分拣环境中分拣速度慢、避障效果差等问题,提出了一种融合人工势场(Artificial Potential Field,APF)算法的快速扩展随机树(Rapidly-exploring Random Tree,RRT)改进算法。传统RRT算法路径规划随机性强、收敛速度慢,在该算法中引入APF机制引导其向目标点进行有效扩展,减少路径搜索过程中的无效分支,提高搜索效率;优化对父系节点的选择策略,对原路径局部节点进行优化重连,提高路径质量及平滑性。根据实际分拣中可能出现的状况,在MATLAB软件中建立了3个不同的仿真场景,并将所提出的改进APF-RRT算法与传统RRT算法、APF-RRT算法进行对比仿真实验。结果表明,改进APF-RRT算法于不同分拣环境中,在路径长度、搜索时间、节点个数和迭代次数4个指标上均有一定提升,能以更高的效率搜索到更高质量的路径。展开更多
快速探索随机树(Rapidly-exploring Random Tree, RRT)是一种经典的基于采样方法的路径规划算法,通过随机采样构建搜索树,为机器人生成从起点到目标点的无碰撞路径。针对传统RRT算法存在的采样盲目性和效率低等问题,本文提出一种融合改...快速探索随机树(Rapidly-exploring Random Tree, RRT)是一种经典的基于采样方法的路径规划算法,通过随机采样构建搜索树,为机器人生成从起点到目标点的无碰撞路径。针对传统RRT算法存在的采样盲目性和效率低等问题,本文提出一种融合改进人工势场法的RRT*算法。在新节点扩展过程中,引入目标引力与障碍物斥力引导采样方向,有效减少无效探索;同时优化势场函数,提升收敛速度与路径精度。仿真实验与真实机器人测试表明,相较于其他基于采样的路径规划算法,该方法在计算效率、路径简洁性、迭代次数及采样有效性等方面表现更优,能更快收敛至高质量的近似最优路径。展开更多
针对IRRT*(informed rapidly-exploring random trees star)算法在机器人路径规划中搜索效率低、收敛速度慢的问题,将APF(artificial potential field method)与IRRT*算法相结合,提出APF-IRRT*混合算法.仿真实验结果表明:相对于其他3种...针对IRRT*(informed rapidly-exploring random trees star)算法在机器人路径规划中搜索效率低、收敛速度慢的问题,将APF(artificial potential field method)与IRRT*算法相结合,提出APF-IRRT*混合算法.仿真实验结果表明:相对于其他3种算法,APF-IRRT*算法的搜索时间、节点数目、路径长度的数值均最小;APF-IRRT*算法对地图的复杂性以及面积的变化均有较强的适应能力.展开更多
文摘针对传统路径规划算法在三维复杂障碍物环境下规划效率低和搜索路径质量不足的缺点,提出一种自适应APF-RRT^(*)路径规划方法。在势力场作用下引导路径节点以不同步长动态生长,以解决传统快速扩展随机树(rapidly-exploring random tree star, RRT^(*))算法盲目搜索和人工势场法(artificial potential field, APF)易陷入局部最优的问题;通过定义父节点重选流程和引入动态偏向采样概率,优化算法迭代过程;对已有路径进行贪心算法迭代优化与平滑处理,减少路径冗余节点,增强实际使用效果。经过实验验证,对比其他2种算法,自适应APF-RRT^(*)算法在不同环境上的迭代次数、耗时、路径长度均得到减少;将该方法用于UR5机械臂上进行仿真验证,机械臂能够实现良好的避障功能,平稳完成路径规划任务。
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。
文摘为加快末端物流配送的效率,提出一种配送无人机的航迹规划问题。针对传统快速搜索随机树(rapidlysearch random tree,RRT)算法在航迹规划中存在的盲目性和路径不平滑等问题,将人工势场法(artificial potential field,APF)与Informed-RRT^(*)算法融合,提出一种自适应步长增长策略的改进APF-Informed-RRT^(*)算法。首先在选择新节点时,考虑到障碍物和目标点的影响,提出一种自适应步长增长策略来解决采样的盲目性;其次采用三次B样条对拐点处进行平滑处理;最后分别采用RRT^(*)算法、Informed-RRT^(*)算法和改进APF-Informed-RRT^(*)算法在两种环境中进行仿真实验。结果表明,改进APF-Informed-RRT^(*)算法相较于RRT^(*)算法和Informed-RRT^(*)算法,在运行时间、迭代次数以及路径平滑上都得到提升。
文摘针对六自由度工业机器人在复杂的分拣环境中分拣速度慢、避障效果差等问题,提出了一种融合人工势场(Artificial Potential Field,APF)算法的快速扩展随机树(Rapidly-exploring Random Tree,RRT)改进算法。传统RRT算法路径规划随机性强、收敛速度慢,在该算法中引入APF机制引导其向目标点进行有效扩展,减少路径搜索过程中的无效分支,提高搜索效率;优化对父系节点的选择策略,对原路径局部节点进行优化重连,提高路径质量及平滑性。根据实际分拣中可能出现的状况,在MATLAB软件中建立了3个不同的仿真场景,并将所提出的改进APF-RRT算法与传统RRT算法、APF-RRT算法进行对比仿真实验。结果表明,改进APF-RRT算法于不同分拣环境中,在路径长度、搜索时间、节点个数和迭代次数4个指标上均有一定提升,能以更高的效率搜索到更高质量的路径。
文摘快速探索随机树(Rapidly-exploring Random Tree, RRT)是一种经典的基于采样方法的路径规划算法,通过随机采样构建搜索树,为机器人生成从起点到目标点的无碰撞路径。针对传统RRT算法存在的采样盲目性和效率低等问题,本文提出一种融合改进人工势场法的RRT*算法。在新节点扩展过程中,引入目标引力与障碍物斥力引导采样方向,有效减少无效探索;同时优化势场函数,提升收敛速度与路径精度。仿真实验与真实机器人测试表明,相较于其他基于采样的路径规划算法,该方法在计算效率、路径简洁性、迭代次数及采样有效性等方面表现更优,能更快收敛至高质量的近似最优路径。
文摘针对IRRT*(informed rapidly-exploring random trees star)算法在机器人路径规划中搜索效率低、收敛速度慢的问题,将APF(artificial potential field method)与IRRT*算法相结合,提出APF-IRRT*混合算法.仿真实验结果表明:相对于其他3种算法,APF-IRRT*算法的搜索时间、节点数目、路径长度的数值均最小;APF-IRRT*算法对地图的复杂性以及面积的变化均有较强的适应能力.
