针对RRT*(rapidly-exploring random tree star)算法在复杂障碍物场景下存在收敛效率低、搜索方向随机性强,导致生成路径效果不佳的问题,提出一种基于动态梯度采样和人工势场的双向快速探索随机树算法(SN-BIRRT*)。采用分步式动态梯度...针对RRT*(rapidly-exploring random tree star)算法在复杂障碍物场景下存在收敛效率低、搜索方向随机性强,导致生成路径效果不佳的问题,提出一种基于动态梯度采样和人工势场的双向快速探索随机树算法(SN-BIRRT*)。采用分步式动态梯度采样策略优化采样过程,更有效地探索配置空间。在拓展方面引入一种改进的人工势场法,提高算法的收敛速度。对生成的新节点采用改进的重连父节点策略进行优化,减少路径总成本。为了提高路径的平滑度,采用路径剪枝、线性插值和B样条平滑的融合路径平滑策略进行后处理。通过仿真实验,将SN-BIRRT*算法与其他几种基于采样的路径规划算法在不同障碍物环境和狭窄环境下进行了比较,结果表明该算法在不同环境下均有良好的性能,在机器人路径规划中可以有效解决机器人在复杂室内环境中的高效路径规划问题。展开更多
文摘针对RRT*(rapidly-exploring random tree star)算法在复杂障碍物场景下存在收敛效率低、搜索方向随机性强,导致生成路径效果不佳的问题,提出一种基于动态梯度采样和人工势场的双向快速探索随机树算法(SN-BIRRT*)。采用分步式动态梯度采样策略优化采样过程,更有效地探索配置空间。在拓展方面引入一种改进的人工势场法,提高算法的收敛速度。对生成的新节点采用改进的重连父节点策略进行优化,减少路径总成本。为了提高路径的平滑度,采用路径剪枝、线性插值和B样条平滑的融合路径平滑策略进行后处理。通过仿真实验,将SN-BIRRT*算法与其他几种基于采样的路径规划算法在不同障碍物环境和狭窄环境下进行了比较,结果表明该算法在不同环境下均有良好的性能,在机器人路径规划中可以有效解决机器人在复杂室内环境中的高效路径规划问题。