快速扩展随机树算法(rapidly-exploring random trees,RRT)规划移动机器人路径时,存在搜索盲目性强、搜索时间长、收敛速度慢、路径冗余点多且不平滑等问题。鉴于此,提出一种改进的RRT路径规划算法。首先,针对传统RRT算法盲目搜索以及...快速扩展随机树算法(rapidly-exploring random trees,RRT)规划移动机器人路径时,存在搜索盲目性强、搜索时间长、收敛速度慢、路径冗余点多且不平滑等问题。鉴于此,提出一种改进的RRT路径规划算法。首先,针对传统RRT算法盲目搜索以及局部极值的问题,提出概率目标偏置与人工势场结合的采样策略,引导随机树的扩展;其次,针对随机树扩展的避障能力差的问题,提出基于安全距离的碰撞检测以及动态变步长扩展策略;最后,针对路径上冗余点多以及曲率不连续的问题,提出考虑安全距离的剪枝优化和三次B样条曲线对初始路径进行拟合优化。仿真结果表明,在不同地图的路径规划中,相比于传统RRT算法,增强了通过狭窄通道能力,优化了路径的平滑性,搜索时间、迭代次数、路径长度分别减少约70%、40%、15%;相比于RRT衍生算法RRT-Connect,搜索时间、路径长度分别减少约25%、10%。展开更多
文摘快速扩展随机树算法(rapidly-exploring random trees,RRT)规划移动机器人路径时,存在搜索盲目性强、搜索时间长、收敛速度慢、路径冗余点多且不平滑等问题。鉴于此,提出一种改进的RRT路径规划算法。首先,针对传统RRT算法盲目搜索以及局部极值的问题,提出概率目标偏置与人工势场结合的采样策略,引导随机树的扩展;其次,针对随机树扩展的避障能力差的问题,提出基于安全距离的碰撞检测以及动态变步长扩展策略;最后,针对路径上冗余点多以及曲率不连续的问题,提出考虑安全距离的剪枝优化和三次B样条曲线对初始路径进行拟合优化。仿真结果表明,在不同地图的路径规划中,相比于传统RRT算法,增强了通过狭窄通道能力,优化了路径的平滑性,搜索时间、迭代次数、路径长度分别减少约70%、40%、15%;相比于RRT衍生算法RRT-Connect,搜索时间、路径长度分别减少约25%、10%。
