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
针对快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法及其衍生算法路径规划时间长且规划效率低的问题,提出RRT算法与人工势场法结合的PAAPF-RRT机械臂路径规划算法,旨在最短的时间、最小的迭代次数内,在静态环境中找到连接起始...针对快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法及其衍生算法路径规划时间长且规划效率低的问题,提出RRT算法与人工势场法结合的PAAPF-RRT机械臂路径规划算法,旨在最短的时间、最小的迭代次数内,在静态环境中找到连接起始点与终点的最优路径。首先,引入基于地图障碍物分布评估策略和采样区域优化策略,根据地图的障碍物分布、数量调整算法的步长以及偏向概率。然后,伴随随机树的生长,更新随机点的采样区域,保证随机树向目标点生长。其次,将RRT算法与人工势场法结合,当随机树与障碍物发生碰撞时,使用人工势场法引导随机树节点生长避开障碍物,解决了RRT算法随机树生长到障碍物附近且朝目标点生长的方向被障碍物遮挡时随机树无法生长的问题。最后,利用节点修剪策略,把算法生成的初始路径中的冗余节点进行修剪,得到拐点更少、路径更简洁的优化路径。实验结果表明,PAAPF-RRT算法在路径规划时间上对于RRT算法、GB-RRT算法以及RRT*算法分别减少了93.64%、73.58%、93.28%,在迭代次数方面分别下降了91.40%、79.64%、90.58%,在路径长度方面只占其他3种算法的79.34%、86.21%、95.58%。展开更多
针对无线传感器网络自身的可靠性和维护问题,提出了一种基于FPAA(field programmable analog arrays)的自修复智能无线传感器节点的实现方法。该方法以FPAA为核心构成传感器的主要信号调理电路,节点设计有硬件故障自诊断功能,在节点部...针对无线传感器网络自身的可靠性和维护问题,提出了一种基于FPAA(field programmable analog arrays)的自修复智能无线传感器节点的实现方法。该方法以FPAA为核心构成传感器的主要信号调理电路,节点设计有硬件故障自诊断功能,在节点部分硬件模块发生故障的情况下,可修复相应故障,确保节点在无人职守及野外应用时的可靠性,避免节点的直接丢弃。重点介绍了自修复节点的实现方法、软硬件研发并对节点进行了自修复实验研究,分析了自修复节点的功耗及可工作时间,节点能够在2节具有1 700 mAh的AA电池的供电下工作半年时间。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。
文摘针对快速扩展随机树(Rapidly-exploring Random Tree,RRT)算法及其衍生算法路径规划时间长且规划效率低的问题,提出RRT算法与人工势场法结合的PAAPF-RRT机械臂路径规划算法,旨在最短的时间、最小的迭代次数内,在静态环境中找到连接起始点与终点的最优路径。首先,引入基于地图障碍物分布评估策略和采样区域优化策略,根据地图的障碍物分布、数量调整算法的步长以及偏向概率。然后,伴随随机树的生长,更新随机点的采样区域,保证随机树向目标点生长。其次,将RRT算法与人工势场法结合,当随机树与障碍物发生碰撞时,使用人工势场法引导随机树节点生长避开障碍物,解决了RRT算法随机树生长到障碍物附近且朝目标点生长的方向被障碍物遮挡时随机树无法生长的问题。最后,利用节点修剪策略,把算法生成的初始路径中的冗余节点进行修剪,得到拐点更少、路径更简洁的优化路径。实验结果表明,PAAPF-RRT算法在路径规划时间上对于RRT算法、GB-RRT算法以及RRT*算法分别减少了93.64%、73.58%、93.28%,在迭代次数方面分别下降了91.40%、79.64%、90.58%,在路径长度方面只占其他3种算法的79.34%、86.21%、95.58%。
