Rapidly-exploring Random Tree(RRT)and its variants have become foundational in path-planning research,yet in complex three-dimensional off-road environments their uniform blind sampling and limited safety guarantees l...Rapidly-exploring Random Tree(RRT)and its variants have become foundational in path-planning research,yet in complex three-dimensional off-road environments their uniform blind sampling and limited safety guarantees lead to slow convergence and force an unfavorable trade-off between path quality and traversal safety.To address these challenges,we introduce HS-APF-RRT*,a novel algorithm that fuses layered sampling,an enhanced Artificial Potential Field(APF),and a dynamic neighborhood-expansion mechanism.First,the workspace is hierarchically partitioned into macro,meso,and micro sampling layers,progressively biasing random samples toward safer,lower-energy regions.Second,we augment the traditional APF by incorporating a slope-dependent repulsive term,enabling stronger avoidance of steep obstacles.Third,a dynamic expansion strategy adaptively switches between 8 and 16 connected neighborhoods based on local obstacle density,striking an effective balance between search efficiency and collision-avoidance precision.In simulated off-road scenarios,HS-APF-RRT*is benchmarked against RRT*,GoalBiased RRT*,and APF-RRT*,and demonstrates significantly faster convergence,lower path-energy consumption,and enhanced safety margins.展开更多
针对复杂水下环境中水下自主航行器(autonomous underwater vehicle,AUV)路径规划问题,提出一种改进启发式快速随机扩展树(rapidly-exploring random trees,RRT)的路径规划算法。针对路径点采样过程中缺乏目标导向性的问题,采用目标点...针对复杂水下环境中水下自主航行器(autonomous underwater vehicle,AUV)路径规划问题,提出一种改进启发式快速随机扩展树(rapidly-exploring random trees,RRT)的路径规划算法。针对路径点采样过程中缺乏目标导向性的问题,采用目标点概率偏置采样策略与目标偏向扩展策略,可使目标节点在随机采样时成为采样点。在路径点扩展过程中,使非目标采样点的扩展结点位置偏向于目标点的方向,从而增强算法在随机采样与扩展过程中的目标搜索能力。为解决水下路径规划过程中存在过多无效搜索空间的问题,在随机采样过程中引入启发式采样策略,构建包含所有初始路径的采样空间子集,减小采样空间范围,从而提高算法的空间搜索效率。针对AUV在水下环境中抗洋流扰动能力不足的问题,采用速度矢量合成法,使AUV速度矢量与洋流速度矢量合成后指向期望路径的方向,从而抵消水流的影响。在山峰地形中叠加多个Lamb涡流模拟水下流场环境,进行多次仿真实验。实验结果表明:改进启发式RRT算法解决了采样过程中随机性问题,显著缩小了搜索空间,兼顾了路径的安全性与平滑性,并使AUV具有良好的抗洋流扰动能力。展开更多
针对传统RRT(rapidly exploring random tree)算法在复杂环境下收敛速度慢、存在重复采样、缺乏目标导向性和规划的路径质量不高的问题,提出一种贪婪搜索和目标导向的RRT算法(RRT-D算法),在传统RRT算法的基础上,改进节点的采样方式和父...针对传统RRT(rapidly exploring random tree)算法在复杂环境下收敛速度慢、存在重复采样、缺乏目标导向性和规划的路径质量不高的问题,提出一种贪婪搜索和目标导向的RRT算法(RRT-D算法),在传统RRT算法的基础上,改进节点的采样方式和父节点的选取策略,取消步长限制,通过贪婪式的搜索方式一次生长10个候选节点,选取符合条件的且距离目标点最近的候选点作为子节点生长到树中,提高了算法的搜索能力,降低了路径代价;用动态减少重复搜索区域的方式减少了无效搜索;每次采样后判断采样点能否与目标点直接相连,增加了采样的目标导向性,提高了搜索效率,遍历全树构成无向图时,可根据总采样点数量,通过限制无向图边的长度来减少边的数量,由Dijkstra算法搜索代价最小的路径;最后由分段三次Hermite插值函数对路径进行平滑处理。试验结果表明,与传统RRT算法相比,RRT-D算法不仅大幅缩短了规划时间,而且得到的路径代价更小、更加平滑,节点的利用率更高,验证了RRT-D算法在路径规划中的优势。展开更多
针对快速搜索随机树(rapidly-exploring random tree,RRT)算法的随机采样特征导致的收敛速度慢、路径冗余度高、采样点利用率低问题,给出一种新的解决方法。首先,根据图复杂度公式,计算出图的复杂度后确定目标偏执概率,建立偏置概率自...针对快速搜索随机树(rapidly-exploring random tree,RRT)算法的随机采样特征导致的收敛速度慢、路径冗余度高、采样点利用率低问题,给出一种新的解决方法。首先,根据图复杂度公式,计算出图的复杂度后确定目标偏执概率,建立偏置概率自适应模型;其次,在首次规划好路线后,路径中仍存在一些不必要的拐点与棱角,针对传统路径裁剪依赖局部搜索策略,可能导致次优解生成,提出PRM-Dijkstra(probabilistic roadmap-dijkstra)算法对路径进行裁剪,将改进RRT算法生成的树节点利用PRM算法相互连接起来,通过Dijkstra算法计算出一条最优路径;最后,改进RRT算法与PRM-Dijkstra种算法优势相结合,在保证有一条路径的前提下,最大概率的寻找最优路径。通过复杂图下仿真避障实验,结果显示:改进RRT算法在节点生成数量与规划用时相较传统RRT算法平均减少80%,相较于Goal-bias RRT算法均减少40%。并通过机器人操作系统(robot operating system,ROS)下的MoveIt!集成开发平台进行现实环境下避障实验,验证了算法的可行性与有效性。展开更多
为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩...为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩短了路径长度提升路径质量,改进剪枝策略减少了树搜索的冗余节点。根据算法在简单、复杂和密集环境下的仿真结果显示,在密集环境下A-RRT^(*)算法的无效冗余节点剪除94.29%、内存缩减了94.29%、搜索时间提高了96.28%、迭代次数缩减了91.49%、路径距离缩短了10.18%。为了防止生成的路径不平整而使机械臂在运行中造成损伤,利用了三次B样条对路径进行了优化,通过三维机械臂仿真也可得出优化后的路径更加平滑,减少了机械臂在运行过程中的关节波动,更有利于机械臂的运行,进一步验证了算法在机械臂运行中的有效性。展开更多
为使机械臂在料框分拣应用中快速规划出较优的拾取路径,提出一种融合人工势场的改进RRT(rapidly-exploring random tree)机械臂路径规划方法。首先,利用人工势场进行预规划,在预规划路径上找到能够与目标节点无碰撞直连的路径节点,并将...为使机械臂在料框分拣应用中快速规划出较优的拾取路径,提出一种融合人工势场的改进RRT(rapidly-exploring random tree)机械臂路径规划方法。首先,利用人工势场进行预规划,在预规划路径上找到能够与目标节点无碰撞直连的路径节点,并将其作为RRT的规划目标节点,避免对空白区域的无用搜索。其次,在RRT算法基础上加入目标引导采样以及搜索参数自适应计算策略,提高算法的指向性以及鲁棒性。引入一种基于机械臂末端姿态约束的采样节点拒绝机制,降低有效性检查次数,提高规划效率。最后,对生成的原始路径进行剪枝优化,降低路径代价与转角数量,随后利用准均匀三次B样条结合四元数球面姿态插值进行平滑优化,提高路径质量。实验结果表明,所提出的改进算法与RRT算法相比,规划成功率提高了12.66%,规划时间与路径成本分别降低了79.05%以及34.80%。通过消融实验证明了各部分改进的有效性。在硬件平台上进行分拣测试,验证了该方法的实用性。展开更多
针对RRT(rapidly exploring random tree)路径规划算法搜索范围大、目标导向差、容易陷入局部最小值以及路径曲折等问题,提出了一种限制自适应采样区域的改进RRT路径规划算法。将整个搜索空间划分成均匀的等级,根据新节点所在等级和该...针对RRT(rapidly exploring random tree)路径规划算法搜索范围大、目标导向差、容易陷入局部最小值以及路径曲折等问题,提出了一种限制自适应采样区域的改进RRT路径规划算法。将整个搜索空间划分成均匀的等级,根据新节点所在等级和该等级内采样点数量动态调整采样区域,减小搜索范围;利用新节点改进策略使随机树根据环境信息自适应地向目标点调整,并改变扩展步长生成新节点;利用障碍物躲避策略提高算法的目标导向性和躲避障碍物的性能;利用改进的逆向寻优和插入节点并减小转向角的三次B样条曲线对路径进行优化处理。该算法在不同的路径环境中相较于RRT算法的搜索时间和迭代次数均减少了70%以上,且经过优化的路径更短、更平滑。展开更多
基金supported in part by 14th Five Year National Key R&D Program Project(Project Number:2023YFB3211001)the National Natural Science Foundation of China(62273339,U24A201397).
文摘Rapidly-exploring Random Tree(RRT)and its variants have become foundational in path-planning research,yet in complex three-dimensional off-road environments their uniform blind sampling and limited safety guarantees lead to slow convergence and force an unfavorable trade-off between path quality and traversal safety.To address these challenges,we introduce HS-APF-RRT*,a novel algorithm that fuses layered sampling,an enhanced Artificial Potential Field(APF),and a dynamic neighborhood-expansion mechanism.First,the workspace is hierarchically partitioned into macro,meso,and micro sampling layers,progressively biasing random samples toward safer,lower-energy regions.Second,we augment the traditional APF by incorporating a slope-dependent repulsive term,enabling stronger avoidance of steep obstacles.Third,a dynamic expansion strategy adaptively switches between 8 and 16 connected neighborhoods based on local obstacle density,striking an effective balance between search efficiency and collision-avoidance precision.In simulated off-road scenarios,HS-APF-RRT*is benchmarked against RRT*,GoalBiased RRT*,and APF-RRT*,and demonstrates significantly faster convergence,lower path-energy consumption,and enhanced safety margins.
文摘针对复杂水下环境中水下自主航行器(autonomous underwater vehicle,AUV)路径规划问题,提出一种改进启发式快速随机扩展树(rapidly-exploring random trees,RRT)的路径规划算法。针对路径点采样过程中缺乏目标导向性的问题,采用目标点概率偏置采样策略与目标偏向扩展策略,可使目标节点在随机采样时成为采样点。在路径点扩展过程中,使非目标采样点的扩展结点位置偏向于目标点的方向,从而增强算法在随机采样与扩展过程中的目标搜索能力。为解决水下路径规划过程中存在过多无效搜索空间的问题,在随机采样过程中引入启发式采样策略,构建包含所有初始路径的采样空间子集,减小采样空间范围,从而提高算法的空间搜索效率。针对AUV在水下环境中抗洋流扰动能力不足的问题,采用速度矢量合成法,使AUV速度矢量与洋流速度矢量合成后指向期望路径的方向,从而抵消水流的影响。在山峰地形中叠加多个Lamb涡流模拟水下流场环境,进行多次仿真实验。实验结果表明:改进启发式RRT算法解决了采样过程中随机性问题,显著缩小了搜索空间,兼顾了路径的安全性与平滑性,并使AUV具有良好的抗洋流扰动能力。
文摘针对传统RRT(rapidly exploring random tree)算法在复杂环境下收敛速度慢、存在重复采样、缺乏目标导向性和规划的路径质量不高的问题,提出一种贪婪搜索和目标导向的RRT算法(RRT-D算法),在传统RRT算法的基础上,改进节点的采样方式和父节点的选取策略,取消步长限制,通过贪婪式的搜索方式一次生长10个候选节点,选取符合条件的且距离目标点最近的候选点作为子节点生长到树中,提高了算法的搜索能力,降低了路径代价;用动态减少重复搜索区域的方式减少了无效搜索;每次采样后判断采样点能否与目标点直接相连,增加了采样的目标导向性,提高了搜索效率,遍历全树构成无向图时,可根据总采样点数量,通过限制无向图边的长度来减少边的数量,由Dijkstra算法搜索代价最小的路径;最后由分段三次Hermite插值函数对路径进行平滑处理。试验结果表明,与传统RRT算法相比,RRT-D算法不仅大幅缩短了规划时间,而且得到的路径代价更小、更加平滑,节点的利用率更高,验证了RRT-D算法在路径规划中的优势。
文摘为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩短了路径长度提升路径质量,改进剪枝策略减少了树搜索的冗余节点。根据算法在简单、复杂和密集环境下的仿真结果显示,在密集环境下A-RRT^(*)算法的无效冗余节点剪除94.29%、内存缩减了94.29%、搜索时间提高了96.28%、迭代次数缩减了91.49%、路径距离缩短了10.18%。为了防止生成的路径不平整而使机械臂在运行中造成损伤,利用了三次B样条对路径进行了优化,通过三维机械臂仿真也可得出优化后的路径更加平滑,减少了机械臂在运行过程中的关节波动,更有利于机械臂的运行,进一步验证了算法在机械臂运行中的有效性。
文摘为使机械臂在料框分拣应用中快速规划出较优的拾取路径,提出一种融合人工势场的改进RRT(rapidly-exploring random tree)机械臂路径规划方法。首先,利用人工势场进行预规划,在预规划路径上找到能够与目标节点无碰撞直连的路径节点,并将其作为RRT的规划目标节点,避免对空白区域的无用搜索。其次,在RRT算法基础上加入目标引导采样以及搜索参数自适应计算策略,提高算法的指向性以及鲁棒性。引入一种基于机械臂末端姿态约束的采样节点拒绝机制,降低有效性检查次数,提高规划效率。最后,对生成的原始路径进行剪枝优化,降低路径代价与转角数量,随后利用准均匀三次B样条结合四元数球面姿态插值进行平滑优化,提高路径质量。实验结果表明,所提出的改进算法与RRT算法相比,规划成功率提高了12.66%,规划时间与路径成本分别降低了79.05%以及34.80%。通过消融实验证明了各部分改进的有效性。在硬件平台上进行分拣测试,验证了该方法的实用性。
文摘针对RRT(rapidly exploring random tree)路径规划算法搜索范围大、目标导向差、容易陷入局部最小值以及路径曲折等问题,提出了一种限制自适应采样区域的改进RRT路径规划算法。将整个搜索空间划分成均匀的等级,根据新节点所在等级和该等级内采样点数量动态调整采样区域,减小搜索范围;利用新节点改进策略使随机树根据环境信息自适应地向目标点调整,并改变扩展步长生成新节点;利用障碍物躲避策略提高算法的目标导向性和躲避障碍物的性能;利用改进的逆向寻优和插入节点并减小转向角的三次B样条曲线对路径进行优化处理。该算法在不同的路径环境中相较于RRT算法的搜索时间和迭代次数均减少了70%以上,且经过优化的路径更短、更平滑。
