CN109445444A - 一种障碍物集中环境下的机器人路径生成方法 - Google Patents

Abstract

本发明涉及一种障碍物集中环境下的机器人路径生成方法，该方法首先使用RRT算法进行路径搜索；当随机点无效时，区别于传统RRT算法直接舍弃该点，而进行进一步判断；若该随机点与目标点连线上的最长有效距离小于阈值则转换成A*算法进行搜索至结束，否则继续进行RRT算法搜索，并重复上述判断；最终路径由RRT搜索所得路径和A*搜索所得路径组成。与现有技术相比，本发明在障碍物集中环境下将A*与RRT算法的优势相结合，克服各自的短板，使得整个规划算法具有效率高、搜索时间短等优点。

Description

一种障碍物集中环境下的机器人路径生成方法

技术领域

本发明涉及一种机器人控制技术领域，尤其是涉及一种障碍物集中环境下的机器人路径生成方法。

背景技术

为了让机器人走进日常生活之中，机器人无碰撞的定点移动是最基础也是不可回避的问题，而路径规划算法则为解决该问题提供了可能。完备性与最优性是评价机器人路径规划算法的两个重要指标。其中完备性是指在任何场景下该算法都能够找到一个可行路径，而最优性则是指该算法找到的路径距离最短。除此之外，算法的快速性，即得到路径所需的时间也是一个重要的参考指标。

现有的路径规划算法主要分为两大类。第一类是以Dijkstra算法和A*算法为代表的图搜索算法。Dijkstra算法是一种近似穷举的方法，以起点为中心向四周辐射，因此该算法是最优且完备的，但随着应用场景的规模变大，Dijkstra算法在搜索耗时上的劣势便越加明显。A*算法则针对Dijkstra算法存在的问题进行了改进，通过引入启发式函数的方式对Dijkstra算法的搜索方向进行了一定程度上的引导，从而达到了缩短运行时间的目的，但相应的其路径也从最优变为次优，所以A*算法是一种完备但非最优的算法。另一类算法是以快速拓展随机树(RRT)以及它的变种为代表的基于采样方式的算法，该类算法通过随机撒点的方式生成一个树状结构，从中提取出可行路径，相较于图搜索方法，其最大优势在于它的快速性，但该算法是概率完备且非最优的，尤其在狭窄通道等特殊场景下其效果更是大打折扣。

现有路径规划算法在小规模简单场景下具有各自的优势与适用性，但在大规模复杂场景下将逐渐不在适用。考虑如下实际应用场景，假设机器人需要沿着长距离的空旷道路到达某个房子内的特定位置完成特定任务，其示意图如图1所示，S为机器人起始位置，G为目标位置，黑色部分为不可同行区域(即障碍物)。如果采用图搜索算法寻找路径，由于整体场景的范围巨大，将耗费大量的搜索时间，采用随机采样类算法虽然可能快速拓展到G点附近，但由于狭窄通道的存在，RRT算法将难以进入目标区域(房间内)，对于此类障碍物集中环境，现有算法难以直接应用。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种障碍物集中环境下的机器人路径生成方法。

本发明的目的可以通过以下技术方案来实现：

一种障碍物集中环境下的机器人路径生成方法，该方法首先使用RRT算法进行搜索构建拓展随机树，在产生无效随机点时，判断该随机点与目标点连线上的最长有效距离是否小于设定阈值，若是，则转换成A*算法进行搜索至结束，若否，则继续进行RRT算法搜索，并重复上述判断；最终路径由RRT搜索所得路径和A*搜索所得路径组成。

进一步地，该方法具体包括以下步骤：

1)建立随机树；

2)生成一随机点，判断该随机点是否在障碍物内，若是，则舍弃该随机点，重复步骤2)，若否，则执行步骤3)；

3)获得随机点与所述随机树中最近点的连线，判断该连线是否经过障碍物，若是，则执行步骤4)，若否，则保留此连线，并将随机点加入随机树中，执行步骤5)；

4)判断随机点与目标点连线上的最长有效距离是否小于设定阈值，若是，则使用A*算法进行局部搜索至目标点，获得第一路径，执行步骤6)，若否，则返回步骤2)；

5)判断随机点是否为目标点，若是，则执行步骤6)，若否，则返回步骤2)；

6)对随机树进行优化获得第二路径，若存在第一路径，则将所述第一路径和第二路径连接形成最终路径，若不存在第一路径，则直接以第二路径作为最终路径。

进一步地，所述步骤4)中，随机点与目标点连线上的最长有效距离通过以下方式获得：

取步骤3)中连线上一替代点，该替代点离所述最近点最远且与最近点间形成的新连线不经过障碍物，以所述替代点与目标点连线距离作为所述最长有效距离。

进一步地，所述步骤4)中，使用A*算法进行局部搜索时，以所述替代点为起点，并将该替代点加入随机树。

与现有技术相比，本发明提出的方法则是将对不可连接随机点作为判断是否到达小规模复杂区域的依据，如果阈值判断结果认为已经充分接近目标区域，则转用A*算法进行搜索，快速达到目标点，最终提取并整合两步的路径即可，具有以如下有益效果：

1)针对将障碍物集中环境下的路径规划问题，本发明首先在大规模简单环境下进行快速搜索，并以一个阈值条件判断是否到达小规模复杂环境，在小规模复杂环境中用A*算法进行快速的搜索，得到较优的轨迹，有效提高轨迹规划效率。

2)本发明对于不可连接随机点，将其作为判断是否到达小规模复杂区域的依据，如果阈值判断结果认为已经充分接近目标区域，则转用A*算法进行搜索，快速达到目标点，最终提取并整合两步的路径即可，提高效率。

3)该方法充分利用了RRT算法在大规模区域内的快速性以及A*算法对狭窄通道的适应性，并弥补了RRT算法对于狭窄通道等环境的不适应，同时也避免了A*算法在大规模场景下的搜索，缩短了时间。

附图说明

图1为一种障碍物集中环境示意图；

图2为本发明方法流程示意图；

图3为本发明随机点选取示意图；

图4为本发明随机树生成示意图；

图5为本发明目标区域附近判断示意图；

图6为本发明目标区域附近的搜索示意图；

图7为本发明路径的优化和整合示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明提供一种障碍物集中环境下的机器人路径生成方法，该方法首先使用RRT算法进行搜索构建拓展随机树，在产生无效随机点时，判断该随机点与目标点连线上的最长有效距离是否小于设定阈值，若是，则转换成A*算法进行搜索至结束，若否，则继续进行RRT算法搜索，并重复上述判断；最终路径由RRT搜索所得路径和A*搜索所得路径组成。如图2所示，该方法具体包括以下步骤：

在步骤S101中，在选择的障碍物集中环境内生成一随机点，判断该随机点是否在障碍物内，若是，则舍弃该随机点，重复步骤S101，若否，则执行步骤S102。

步骤S102，获得随机点与随机树中最近点的连线，最近点为随机树中与随机点距离最近的点，判断该连线是否经过障碍物，若是，则执行步骤S104，若否，，则执行步骤S103。

步骤S103，保留此连线，并将随机点加入随机树中，以所述最近点为父节点，判断该随机点是否为目标点，若是，则执行S107，若否，则返回步骤S101。

步骤S104，取连线上一替代点，该替代点离所述最近点最远且与最近点间形成的新连线不经过障碍物，执行步骤S105。

步骤S105，判断所述替代点与目标点的连线距离是否小于设定阈值，若是，则执行步骤S106，若否，则返回步骤S101。

步骤S106，以所述替代点为起点采用A*算法进行局部搜索至目标点，获得第一路径，执行步骤S107。

步骤S107，对随机树进行优化获得第二路径，若存在第一路径，则将所述第一路径和第二路径连接形成最终路径，若不存在第一路径，则直接以第二路径作为最终路径。对随机树进行优化具体为：在随机树上提取可用路径，以最短路径作为第二路径。

如图3-图7所示为利用上述方法，从机器人起始位置S到目标位置G的机器人路径生成过程。

如图3所示，生成一随机点，如R1、R2等，若随机点落在障碍物内(如R2点)，则舍弃该点。

如图4所示，寻找距离有效随机点(以R1为例)最近的随机树上的点(此时为S点)，如果二者连线不经过障碍物，则将该随机点(R1点)加入随机树中，并以其最近点(S点)作为其父节点，如果连线经过障碍物(如随机点R3与树上最近点R1)，则进入下一步。

如图5所示，本发明路径生成方法在随机点连接经过障碍物时，并不直接将其舍弃，而是做了额外处理。取随机点R3与最近点R1连线上距离最近点R1最远的且不在障碍物上的替代点T3，如果它与目标点的距离|GT3|大于事先设定的阈值，则认为该随机点不在目标区域附近，直接舍去，并重复之前步骤；如果其距离小于阈值，如|TmG|，其中Rm是随机点，Nm是对应的最近点，Tm是替代点，则以最近点Nm为父节点将替代点Tm加入随机树，并认为已经到达目标区域附近。

如图6所示，如果在之前步骤中认为已经到达目标区域附近，则以替代点Tm为起点，目标点G为终点，在地图上使用A*算法进行搜索，求取第一路径，若不再目标区域附近，则重复之前步骤。

如图7所示，在随机树上提取可用路径并进行一定的优化处理，以最短路径第二路径，如图中的A所示，将得到的线段与第一路径连接即可获得最终路径。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (4)

1.一种障碍物集中环境下的机器人路径生成方法，其特征在于，该方法首先使用RRT算法进行搜索构建拓展随机树，在产生无效随机点时，判断该随机点与目标点连线上的最长有效距离是否小于设定阈值，若是，则转换成A*算法进行搜索至结束，若否，则继续进行RRT算法搜索，并重复上述判断；最终路径由RRT搜索所得路径和A*搜索所得路径组成。

2.根据权利要求1所述的障碍物集中环境下的机器人路径生成方法，其特征在于，该方法具体包括以下步骤：

1)建立随机树；

2)生成一随机点，判断该随机点是否在障碍物内，若是，则舍弃该随机点，重复步骤2)，若否，则执行步骤3)；

3)获得随机点与所述随机树中最近点的连线，判断该连线是否经过障碍物，若是，则执行步骤4)，若否，则保留此连线，并将随机点加入随机树中，执行步骤5)；

4)判断随机点与目标点连线上的最长有效距离是否小于设定阈值，若是，则使用A*算法进行局部搜索至目标点，获得第一路径，执行步骤6)，若否，则返回步骤2)；

5)判断随机点是否为目标点，若是，则执行步骤6)，若否，则返回步骤2)；

6)对随机树进行优化获得第二路径，若存在第一路径，则将所述第一路径和第二路径连接形成最终路径，若不存在第一路径，则直接以第二路径作为最终路径。

3.根据权利要求2所述的障碍物集中环境下的机器人路径生成方法，其特征在于，所述步骤4)中，随机点与目标点连线上的最长有效距离通过以下方式获得：

取步骤3)中连线上一替代点，该替代点离所述最近点最远且与最近点间形成的新连线不经过障碍物，以所述替代点与目标点连线距离作为所述最长有效距离。

4.根据权利要求3所述的障碍物集中环境下的机器人路径生成方法，其特征在于，所述步骤4)中，使用A*算法进行局部搜索时，以所述替代点为起点，并将该替代点加入随机树。