针对RRT(Rapidly-exploring Random Tree)算法在机器人路径规划过程存在采样点随机性高、算法效率低、路径规划时间长以及规划路径冗长等问题,文中提出一种结合人工势场法的双向RRT路径规划算法。将传统RRT算法中单向扩展方式改为由起...针对RRT(Rapidly-exploring Random Tree)算法在机器人路径规划过程存在采样点随机性高、算法效率低、路径规划时间长以及规划路径冗长等问题,文中提出一种结合人工势场法的双向RRT路径规划算法。将传统RRT算法中单向扩展方式改为由起点和终点同时进行扩展,在节点扩展时加入人工势场法进行引导,增加节点扩展的目的性。将固定步长改换为可变步长,使随机树可以更快地向目标点扩展。对生成路径进行剪枝处理,删除路径中的冗余节点,进一步缩短路径长度。利用MATLAB仿真平台在相同环境下对比所提改进算法与RRT-Connect算法、DRRT-Connect(Dynamic Rapidly-exploring Random Tree Connect)算法、GB(Goal-Biased)-RRT算法、A^(*)算法、PRM(Probabilistic Road Map)算法的路径规划效果。仿真结果表明,所提改进算法与其他改进算法相比最短路径缩短了7%,最短搜索时间降低了65%,提高了算法的规划效率。将所提算法应用于机器人,结果证明了其具有较强可行性。展开更多
文摘针对RRT(Rapidly-exploring Random Tree)算法在机器人路径规划过程存在采样点随机性高、算法效率低、路径规划时间长以及规划路径冗长等问题,文中提出一种结合人工势场法的双向RRT路径规划算法。将传统RRT算法中单向扩展方式改为由起点和终点同时进行扩展,在节点扩展时加入人工势场法进行引导,增加节点扩展的目的性。将固定步长改换为可变步长,使随机树可以更快地向目标点扩展。对生成路径进行剪枝处理,删除路径中的冗余节点,进一步缩短路径长度。利用MATLAB仿真平台在相同环境下对比所提改进算法与RRT-Connect算法、DRRT-Connect(Dynamic Rapidly-exploring Random Tree Connect)算法、GB(Goal-Biased)-RRT算法、A^(*)算法、PRM(Probabilistic Road Map)算法的路径规划效果。仿真结果表明,所提改进算法与其他改进算法相比最短路径缩短了7%,最短搜索时间降低了65%,提高了算法的规划效率。将所提算法应用于机器人,结果证明了其具有较强可行性。
