CN114115271A - 一种改进rrt的机器人路径规划方法和*** - Google Patents
一种改进rrt的机器人路径规划方法和*** Download PDFInfo
- Publication number
- CN114115271A CN114115271A CN202111415244.2A CN202111415244A CN114115271A CN 114115271 A CN114115271 A CN 114115271A CN 202111415244 A CN202111415244 A CN 202111415244A CN 114115271 A CN114115271 A CN 114115271A
- Authority
- CN
- China
- Prior art keywords
- node
- new
- random
- goal
- path
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000013138 pruning Methods 0.000 claims description 18
- 230000000694 effects Effects 0.000 claims description 9
- 230000004888 barrier function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 230000005484 gravity Effects 0.000 claims description 6
- 230000009191 jumping Effects 0.000 claims description 3
- 244000141353 Prunus domestica Species 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- IEDVJHCEMCRBQM-UHFFFAOYSA-N trimethoprim Chemical compound COC1=C(OC)C(OC)=CC(CC=2C(=NC(N)=NC=2)N)=C1 IEDVJHCEMCRBQM-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0231—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means
- G05D1/0238—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors
- G05D1/024—Control of position or course in two dimensions specially adapted to land vehicles using optical position detecting means using obstacle or wall sensors in combination with a laser
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05D—SYSTEMS FOR CONTROLLING OR REGULATING NON-ELECTRIC VARIABLES
- G05D1/00—Control of position, course, altitude or attitude of land, water, air or space vehicles, e.g. using automatic pilots
- G05D1/02—Control of position or course in two dimensions
- G05D1/021—Control of position or course in two dimensions specially adapted to land vehicles
- G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
- G05D1/0221—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving a learning process
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- General Physics & Mathematics (AREA)
- Automation & Control Theory (AREA)
- Optics & Photonics (AREA)
- Electromagnetism (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
- Manipulator (AREA)
Abstract
本发明公开了一种改进RRT的机器人路径规划方法和***,通过自适应生成扩展节点,并优化起点到新生成扩展节点的路径,降低了RRT算法在路径规划过程中的时间复杂度;并对生成的随机扩展树进行剪枝处理,去除冗余节点,从而加快收敛速度,得到更优的路径,提高了路径规划的效率。
Description
技术领域
本发明属于机器人路径规划技术领域,具体涉及一种能够避障的机器人路径规划方法和***。
背景技术
路径规划是指在包含障碍物的给定区域内搜索到一条从起点到终点的安全无碰撞、可行的路径。基于随机点采样的快速探索随机树(rapidlyexploring random tree,RRT)是目前广泛应用于机器人路径规划的一种算法。RRT算法以一个初始点作为根结点,通过随机采样增加叶子结点的方式,生成一个随机扩展树,当随机树中的叶子结点包含了目标结点或进入了目标区域,便可以在随机树中找到一条由初始点到目标点的路径,该方法的特点是能够快速有效地搜索高维空间,通过状态空间的随机采样点,把搜索导向空白区域,从而寻找到一条从起始点到目标点的规划路径。
但也存在一些明显的缺点:对环境信息不敏感,当可行区域狭窄且复杂,或者存在大量不规则障碍物时,RRT算法收敛到最优解的效率会大打折扣,甚至探索失败。
发明内容
发明目的:本发明提供一种改进RRT的机器人路径规划方法和***,能够解决采用RRT算法进行路径规划时存在的收敛速度慢、易陷入局部最优解的问题,提高路径规划的效率。
技术方案:本发明一方面公开了一种改进RRT的机器人路径规划方法,包括:
S1、将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
如果从Qstart到Qgoal的直线路径没有碰触障碍物,则规划路径为从Qstart到Qgoal的直线段;否则,将Qstart作为RRT算法中随机扩展树的根节点,初始化目标方向权重k=1,根据步骤S2-S7确定规划路径;
S2、在机器人运动区域生成随机位置点Qrand;如果Qstart与Qrand的连线穿过障碍物,则丢弃该Qrand,并再次生成新的Qrand,直至Qstart与Qrand的连线没有穿过障碍物;
S3、遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;||为计算二维环境栅格图中两个位置点的距离;
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞跳转至S2重新生成随机位置点;
S5、优化起点Qstart到Qnew的路径;
S6、重复步骤S3-S5,当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;对随机扩展树进行剪枝处理;
S7、从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
作为优选,所述步骤S4中还包括:根据F1和F2更新k:如果F1>F2,k=k+Δk;否则k=k-Δk;Δk为预设的更新步长。
具体地,所述步骤S5具体包括:
S5.1、以Qnew为圆心,Rnear为半径计算邻域Vnear;Rnear为预设的布线长度;
S5.2、随机扩展树中位于邻域Vnear内的节点构成集合Snear,获取集合Snear中每个节点的第一外节点,组成集合Spnear;节点s的第一外节点为随机扩展树中与节点s间的距离小于第一距离R1的节点;s∈Snear,Ssum=Snear∪Spnear;
S5.3、遍历集合Ssum中的节点,判断Qnew的父节点替换成Ssum中的节点后,是否会缩短Qstart到Qnew的路径,如果缩短则进行Qnew的父节点替换操作,反之不替换;
S5.4、寻找Qnew的第二外节点的集合Spnew,节点Qnew的第二外节点为随机扩展树中与Qnew间的距离小于第二距离R2的节点;
S5.5、遍历Snear中的节点,判断如果其父节点更换为Qnew与Spnew的并集内的节点后是否会减小Qstart到所述Snear中的节点的路径,如果路径有所减小,则进行所述Snear中的节点父节点的替换操作,反之不操作。
具体地,所述步骤S6中对随机扩展树进行剪枝处理具体为:
从随机扩展树的根节点Qstart开始,寻找能够无碰撞连接目的位置Qgoal的中间点P1,接着以P1为起点寻找能够无碰撞连接目的位置Qgoal的中间点P2,如此循环往复,直至找到Qgoal或进入目的位置Qgoal的邻域内;Qstart和所有中间点按序构成优化后的路径。
另一方面,本发明还公开了一种改进RRT的机器人路径规划***,包括:
二维场景建立模块,用于将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
随机位置点Qrand生成模块,用于随机位置点Qrand;
最近点Qnear生成模块,用于遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
新节点Qnew生成模块,用于生成新节点Qnew,生成步骤为:
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;||为计算二维环境栅格图中两个位置点的距离;
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞则随机位置点Qrand生成模块重新生成随机位置点;
起点Qstart到Qnew的路径优化模块,用于优化起点Qstart到Qnew的路径;
停止扩展判断模块,用于判断是否停止随机扩展树的扩展;判断方法为:当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;
剪枝处理模块,用于对随机扩展树进行剪枝处理;
路径生成模块,用于从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
有益效果:本发明公开的机器人路径规划方法和***具有如下优点:
1、本发明在Qnew的扩展中引入引力法,并设计自适应函数调节随机点引力与目标点引力在新节点扩展过程中的占比,以此提高RRT算法路径搜索速度和避障能力;
2、在路径优化的过程中,引入了改进重布线法,减小了时间复杂度,使得本发明的改进RRT算法具有渐进优化性;
3、本发明在节点的处理中,引入了贪心算法进行剪枝处理,过滤了大量的冗余节点,在保持时间复杂度和空间复杂度相同的情况下,获得了更优的初始路径和更快的收敛速度。
附图说明
图1为本发明公开机器人路径规划方法流程图;
图2为二维场景示意图;
图3为生成新节点的示意图;
图4为优化路径的示意图;
图5为剪枝处理的示意图;
图6为本发明公开机器人路径规划***的组成示意图;
图7为实施例中仿真结果图;
图8为实施例中仿真结果经剪枝处理后的示意图;
图9为机器人运动方式示意图。
具体实施方式
下面结合附图和具体实施方式,进一步阐明本发明。
本发明公开了一种改进RRT的机器人路径规划方法,如图1所示,包括:
S1、将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
本实施例中利用激光雷达、双目相机提取机器人活动场景的点云数据,结合ros平台,对点云数据的成像,进行可通行区域和障碍物的区分,所构建的二维场景如图2所示,障碍物为黑色部分,其余白色部分为机器人可通行的区域。
如果从Qstart到Qgoal的直线路径没有碰触障碍物,则规划路径为从Qstart到Qgoal的直线段;否则,将Qstart作为RRT算法中随机扩展树的根节点,初始化目标方向权重k=1,根据步骤S2-S7确定规划路径;
S2、在机器人运动区域生成随机位置点Qrand;如果Qstart与Qrand的连线穿过障碍物,则丢弃该Qrand,并再次生成新的Qrand,直至Qstart与Qrand的连线没有穿过障碍物;
S3、遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;||||为计算二维环境栅格图中两个位置点的距离;
在的计算式中添加与障碍物距离有关的自适应函数,以此调节斥力在合力中的占比,避免遇到连续障碍物时震荡不前,使随机树靠近障碍物区域时尽快往远离障碍物区域扩散,在无障碍区域时快速朝目标点扩展,缩短规划时间,减少采样点数。
为了避免随机树节点到达目标点时发生振荡,本实施例根据当前节点距离目标点的远近来调整目标方向权重k:如果F1>F2,即当前位置距离目标位置较远,增大k的值,k=k+Δk;否则减小k的值,k=k-Δk;Δk为预设的更新步长,本实施例中Δk=0.1。
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞跳转至S2重新生成随机位置点;
S5、优化起点Qstart到Qnew的路径;具体包括:
S5.1、以Qnew为圆心,Rnear为半径计算邻域Vnear;Rnear为预设的布线长度;
S5.2、随机扩展树中位于邻域Vnear内的节点构成集合Snear,获取集合Snear中每个节点的第一外节点,组成集合Spnear;节点s的第一外节点为随机扩展树中与节点s间的距离小于第一距离R1的节点;s∈Snear;Ssum=Snear∪Spnear;
如图4所示,图中小圆圈表示随机扩展树中的节点,小圆圈中的数字为节点的编号,节点之间的连线表示路径,连线上的数字表示路径长度。图4(a)中,1号节点为起点Qstart,5号节点为前面步骤S3查找到的最近点Qnear,并根据S4生成新节点Qnew为10号节点。如图4(b),以Qnew为圆心Rnear为半径得到的邻域Vnear为图中虚线圆内部区域;Vnear内部的节点有编号为5、6、7、9、10的节点,构成了集合Snear;分别以编号为5、6、7、9、10的节点为圆心,第一距离R1为半径画圆形,圆形内部的节点为圆心处节点的第一外节点。本实施例中R1设置为3,则可以得到6号节点的第一外节点为8号节点;7号节点的第一外节点为11号节点;则得到Spnear由编号为8、11的节点组成,进而得到集合Snear和Spnear的并集Ssum。此处通过设置由第一距离R1限定的邻域Vnear内部节点的外节点集合,是为了能均匀的搜索Vnear周边的范围,降低因随机点的扩展的不确定性而导致的搜索时间过长的概率,减小搜索时长,加快路径优化的速度,提升路径搜索的效率。
S5.3、遍历集合Ssum中的节点,判断Qnew的父节点替换成Ssum中的节点后,是否会缩短Qstart到Qnew的路径,如果缩短则进行Qnew的父节点替换操作,反之不替换;如图4(c),遍历后将Qnew的父节点替换为6号节点;
S5.4、寻找Qnew的第二外节点的集合Spnew,节点Qnew的第二外节点为随机扩展树中与Qnew间的距离小于第二距离R2的节点;本实施例中设置R2为4,如图4(d),实线大圆内5、6、7、9、11构成了集合Spnew。
S5.5、遍历Snear中的节点,判断如果其父节点更换为Qnew与Spnew的并集内的节点后是否会减小Qstart到所述Snear中的节点的路径,如果路径有所减小,则进行所述Snear中的节点父节点的替换操作,反之不操作。如图4(e)所示,节点7的父节点更换为节点11。
S6、重复步骤S3-S5,当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;对随机扩展树进行剪枝处理;剪枝处理具体为:
从随机扩展树的根节点Qstart开始,寻找能够无碰撞连接目的位置Qgoal的中间点P1,接着以P1为起点寻找能够无碰撞连接目的位置Qgoal的中间点P2,如此循环往复,直至找到Qgoal或进入目的位置Qgoal的邻域内;Qstart和所有中间点按序构成优化后的路径。如图5所示,圆形为起点,方形为目的点,根据随机扩展树得到的路径是图中L1所示的路径,经过剪枝处理后的路径为L2。
S7、从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
本发明还公开了实现上述机器人路径规划方法的***,如图6所示,包括:
二维场景建立模块1,用于将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
随机位置点Qrand生成模块2,用于随机位置点Qrand;
最近点Qnear生成模块3,用于遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
新节点Qnew生成模块4,用于生成新节点Qnew,生成步骤为:
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;||||为计算二维环境栅格图中两个位置点的距离;
根据F1和F2更新k:如果F1>F2,k=k+Δk;否则k=k-Δk;Δk为预设的更新步长。
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞则随机位置点Qrand生成模块重新生成随机位置点;
起点Qstart到Qnew的路径优化模块5,用于按步骤S5.1-S5.5优化起点Qstart到Qnew的路径;
停止扩展判断模块6,用于判断是否停止随机扩展树的扩展;判断方法为:当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;
剪枝处理模块7,用于对随机扩展树进行剪枝处理;
路径生成模块8,用于从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
本发明改进的RRT算法的路径规划的效果图如图7所示,经过剪枝处理后的路径规划效果图如图8所示,图中细线部分为每次扩展的步长,粗线部分为实际的搜索的路径,图中起点为(0,30),终点为(46,20)。改进后的路径相比较传统的RRT算法规划出来的路径,其迭代的次数降低了27%,所用的时间降低了47%,规划出来的路径长度减少了58%,拐角数目减少了69%。
本实施例中,机器人的运动方式为八邻域运动,即可以前进、后退、左移、右移、向左前方45°移动、向右前方45°移动、向左后方45°移动、向右后方45°移动,如图9所示。
Claims (8)
1.一种改进RRT的机器人路径规划方法,其特征在于,包括:
S1、将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
如果从Qstart到Qgoal的直线路径没有碰触障碍物,则规划路径为从Qstart到Qgoal的直线段;否则,将Qstart作为RRT算法中随机扩展树的根节点,初始化目标方向权重k=1,根据步骤S2-S7确定规划路径;
S2、在机器人运动区域生成随机位置点Qrand;如果Qstart与Qrand的连线穿过障碍物,则丢弃该Qrand,并再次生成新的Qrand,直至Qstart与Qrand的连线没有穿过障碍物;
S3、遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;|| ||为计算二维环境栅格图中两个位置点的距离;
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞跳转至S2重新生成随机位置点;
S5、优化起点Qstart到Qnew的路径;
S6、重复步骤S3-S5,当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;对随机扩展树进行剪枝处理;
S7、从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
2.根据权利要求1所述的机器人路径规划方法,其特征在于,所述步骤S4中还包括:根据F1和F2更新k:如果F1>F2,k=k+Δk;否则k=k-Δk;Δk为预设的更新步长。
3.根据权利要求1所述的机器人路径规划方法,其特征在于,所述步骤S5具体包括:
S5.1、以Qnew为圆心,Rnear为半径计算邻域Vnear;Rnear为预设的布线长度;
S5.2、随机扩展树中位于邻域Vnear内的节点构成集合Snear,获取集合Snear中每个节点的第一外节点,组成集合Spnear;节点s的第一外节点为随机扩展树中与节点s间的距离小于第一距离R1的节点;s∈Snear;,Ssum=Snear∪Spnear;
S5.3、遍历集合Ssum中的节点,判断Qnew的父节点替换成Ssum中的节点后,是否会缩短Qstart到Qnew的路径,如果缩短则进行Qnew的父节点替换操作,反之不替换;
S5.4、寻找Qnew的第二外节点的集合Spnew,节点Qnew的第二外节点为随机扩展树中与Qnew间的距离小于第二距离R2的节点;
S5.5、遍历Snear中的节点,判断如果其父节点更换为Qnew与Spnew的并集内的节点后是否会减小Qstart到所述Snear中的节点的路径,如果路径有所减小,则进行所述Snear中的节点父节点的替换操作,反之不操作。
4.根据权利要求1所述的机器人路径规划方法,其特征在于,所述步骤S6中对随机扩展树进行剪枝处理具体为:
从随机扩展树的根节点Qstart开始,寻找能够无碰撞连接目的位置Qgoal的中间点P1,接着以P1为起点寻找能够无碰撞连接目的位置Qgoal的中间点P2,如此循环往复,直至找到Qgoal或进入目的位置Qgoal的邻域内;Qstart和所有中间点按序构成优化后的路径。
5.一种改进RRT的机器人路径规划***,其特征在于,包括:
二维场景建立模块,用于将机器人活动的二维场景分为可通行区域和不可通行的障碍物,建立二维栅格图;获取机器人在二维场景中的起始位置Qstart和目的位置Qgoal;
随机位置点Qrand生成模块,用于随机位置点Qrand;
最近点Qnear生成模块,用于遍历当前随机扩展树,查找与Qrand距离最近的点Qnear;
新节点Qnew生成模块,用于生成新节点Qnew,生成步骤为:
w为引力权重,是预设的(0,1]范围内的常数;Qob为距离Qnear最近的障碍物位置;|| ||为计算二维环境栅格图中两个位置点的距离;
判断新节点Qnew和Qnear的连线是否与障碍物有碰撞,如没有碰撞则将Qnew添加到随机扩展树上,如果有碰撞则随机位置点Qrand生成模块重新生成随机位置点;
起点Qstart到Qnew的路径优化模块,用于优化起点Qstart到Qnew的路径;
停止扩展判断模块,用于判断是否停止随机扩展树的扩展;判断方法为:当新节点Qnew进入目的位置Qgoal的邻域内或为Qgoal本身时,停止随机扩展树的扩展;
剪枝处理模块,用于对随机扩展树进行剪枝处理;
路径生成模块,用于从目的位置Qgoal开始依次回溯父节点直到起始点Qstart结束,找到一条从Qstart到Qgoal的无障碍路径。
6.根据权利要求5所述的机器人路径规划***,其特征在于,所述新节点Qnew生成模块还用于:根据F1和F2更新k:如果F1>F2,k=k+Δk;否则k=k-Δk;Δk为预设的更新步长。
7.根据权利要求5所述的机器人路径规划***,其特征在于,起点Qstart到Qnew的路径优化模块进行优化具体包括:
S5.1、以Qnew为圆心,Rnear为半径计算邻域Vnear;Rnear为预设的布线长度;
S5.2、随机扩展树中位于邻域Vnear内的节点构成集合Snear,获取集合Snear中每个节点的第一外节点,组成集合Spnear;节点s的第一外节点为随机扩展树中与节点s间的距离小于第一距离R1的节点;s∈Snear;,Ssum=Snear∪Spnear;
S5.3、遍历集合Ssum中的节点,判断Qnew的父节点替换成Ssum中的节点后,是否会缩短Qstart到Qnew的路径,如果缩短则进行Qnew的父节点替换操作,反之不替换;
S5.4、寻找Qnew的第二外节点的集合Spnew,节点Qnew的第二外节点为随机扩展树中与Qnew间的距离小于第二距离R2的节点;
S5.5、遍历Snear中的节点,判断如果其父节点更换为Qnew与Spnew的并集内的节点后是否会减小Qstart到所述Snear中的节点的路径,如果路径有所减小,则进行所述Snear中的节点父节点的替换操作,反之不操作。
8.根据权利要求5所述的机器人路径规划***,其特征在于,剪枝处理模块对随机扩展树进行剪枝处理具体为:
从随机扩展树的根节点Qstart开始,寻找能够无碰撞连接目的位置Qgoal的中间点P1,接着以P1为起点寻找能够无碰撞连接目的位置Qgoal的中间点P2,如此循环往复,直至找到Qgoal或进入目的位置Qgoal的邻域内;Qstart和所有中间点按序构成优化后的路径。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415244.2A CN114115271B (zh) | 2021-11-25 | 2021-11-25 | 一种改进rrt的机器人路径规划方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111415244.2A CN114115271B (zh) | 2021-11-25 | 2021-11-25 | 一种改进rrt的机器人路径规划方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114115271A true CN114115271A (zh) | 2022-03-01 |
CN114115271B CN114115271B (zh) | 2024-04-26 |
Family
ID=80373241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111415244.2A Active CN114115271B (zh) | 2021-11-25 | 2021-11-25 | 一种改进rrt的机器人路径规划方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114115271B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577217A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN115091460A (zh) * | 2022-07-13 | 2022-09-23 | 江苏科技大学 | 一种智能抓钢机机械臂路径规划方法及规划*** |
CN115683149A (zh) * | 2022-11-14 | 2023-02-03 | 武汉轻工大学 | 一种基于地图信息的交互式智能路径规划方法 |
CN117260735A (zh) * | 2023-11-01 | 2023-12-22 | 广东工业大学 | 一种机器人深框抓取的路径规划方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108444489A (zh) * | 2018-03-07 | 2018-08-24 | 北京工业大学 | 一种改进rrt算法的路径规划方法 |
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN110497403A (zh) * | 2019-08-05 | 2019-11-26 | 上海大学 | 一种改进双向rrt算法的机械臂运动规划方法 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
CN112013846A (zh) * | 2020-08-18 | 2020-12-01 | 南京信息工程大学 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
CN112539751A (zh) * | 2020-12-04 | 2021-03-23 | 江苏科技大学 | 一种机器人路径规划方法 |
CN112975961A (zh) * | 2021-02-20 | 2021-06-18 | 华南理工大学 | 基于ctb-rrt*算法的采摘机械臂运动规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
-
2021
- 2021-11-25 CN CN202111415244.2A patent/CN114115271B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170241790A1 (en) * | 2016-02-24 | 2017-08-24 | Honda Motor Co., Ltd. | Path plan generating apparatus for mobile body |
CN108444489A (zh) * | 2018-03-07 | 2018-08-24 | 北京工业大学 | 一种改进rrt算法的路径规划方法 |
CN108896052A (zh) * | 2018-09-20 | 2018-11-27 | 鲁东大学 | 一种基于动态复杂环境下的移动机器人平滑路径规划方法 |
CN110497403A (zh) * | 2019-08-05 | 2019-11-26 | 上海大学 | 一种改进双向rrt算法的机械臂运动规划方法 |
CN110609547A (zh) * | 2019-08-21 | 2019-12-24 | 中山大学 | 一种基于可视图引导的移动机器人规划方法 |
CN111610786A (zh) * | 2020-05-28 | 2020-09-01 | 沈阳理工大学 | 基于改进rrt算法的移动机器人路径规划方法 |
CN112013846A (zh) * | 2020-08-18 | 2020-12-01 | 南京信息工程大学 | 一种结合动态步长rrt*算法和势场法的路径规划方法 |
CN112539751A (zh) * | 2020-12-04 | 2021-03-23 | 江苏科技大学 | 一种机器人路径规划方法 |
CN112975961A (zh) * | 2021-02-20 | 2021-06-18 | 华南理工大学 | 基于ctb-rrt*算法的采摘机械臂运动规划方法 |
CN113219998A (zh) * | 2021-06-15 | 2021-08-06 | 合肥工业大学 | 一种基于改进双向informed-RRT*的车辆路径规划方法 |
Non-Patent Citations (2)
Title |
---|
余佳恩;马国军;任永恒;王亚军: "基于深度学习的机器人目标检测设计", 电子设计工程, no. 008, pages 1 - 4 * |
江洪;蒋潇杰: "基于RRT改进的路径规划算法", 重庆理工大学学报(自然科学版), vol. 35, no. 7, pages 10 - 16 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114577217A (zh) * | 2022-05-05 | 2022-06-03 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN114577217B (zh) * | 2022-05-05 | 2022-07-29 | 季华实验室 | 基于冯洛诺伊图的路径规划方法、装置、设备及存储介质 |
CN115091460A (zh) * | 2022-07-13 | 2022-09-23 | 江苏科技大学 | 一种智能抓钢机机械臂路径规划方法及规划*** |
CN115683149A (zh) * | 2022-11-14 | 2023-02-03 | 武汉轻工大学 | 一种基于地图信息的交互式智能路径规划方法 |
CN117260735A (zh) * | 2023-11-01 | 2023-12-22 | 广东工业大学 | 一种机器人深框抓取的路径规划方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114115271B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114115271A (zh) | 一种改进rrt的机器人路径规划方法和*** | |
CN113219998B (zh) | 一种基于改进双向informed-RRT*的车辆路径规划方法 | |
CN108469822B (zh) | 一种室内导盲机器人在动态环境下的路径规划方法 | |
CN106444740B (zh) | 基于mb-rrt的无人机二维航迹规划方法 | |
WO2018176596A1 (zh) | 基于权重改进粒子群算法的无人自行车路径规划方法 | |
CN110703768B (zh) | 一种改进型动态rrt*的移动机器人运动规划方法 | |
CN109542117B (zh) | 基于改进rrt的水下航行器滚动规划算法 | |
US9102062B2 (en) | Apparatus and method for planning path of robot, and the recording media storing the program for performing the method | |
CN113359718B (zh) | 移动机器人全局路径规划与局部路径规划融合方法及设备 | |
JP6711949B2 (ja) | 1個以上の障害物を回避して始状態から終状態集合まで移動する物体の経路を決定する方法およびシステム | |
CN110726408A (zh) | 一种基于改进蚁群算法的移动机器人路径规划方法 | |
CN112809665B (zh) | 一种基于改进rrt算法的机械臂运动规划方法 | |
CN112539750B (zh) | 一种智能运输车路径规划方法 | |
CN112731941B (zh) | 双足机器人路径规划方法、装置和双足机器人 | |
CN111664851B (zh) | 基于序列优化的机器人状态规划方法、装置及存储介质 | |
CN114489052B (zh) | 一种改进rrt算法重连策略的路径规划方法 | |
CN113467476B (zh) | 考虑转角约束的无碰撞检测快速随机树全局路径规划方法 | |
CN110705803B (zh) | 基于三角形内心引导rrt算法的路径规划方法 | |
CN111251306A (zh) | 一种带有底盘误差的机械臂路径规划方法 | |
CN113687662A (zh) | 基于布谷鸟算法改进人工势场法的四旋翼编队避障方法 | |
CN110954124A (zh) | 一种基于a*-pso算法的自适应路径规划方法及*** | |
CN115870990A (zh) | 一种机械臂避障路径规划方法 | |
CN114237302B (zh) | 一种基于滚动时域的三维实时rrt*航路规划方法 | |
CN114326726A (zh) | 一种基于a*与改进人工势场法的编队路径规划控制方法 | |
CN116852367A (zh) | 一种基于改进RRTstar的六轴机械臂避障路径规划方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |