CN107943053A - 一种移动机器人的路径规划方法 - Google Patents

Abstract

本发明公开了一种移动机器人的路径规划方法，具体按照以下步骤实施：步骤1，在基本RRT算法基础上采用一种目标偏向采样策略，提前设定一个目标偏向概率阈值p_goal；步骤2，在自由空间进行随机采样时根据均匀概率分布随机获得一个概率值p，将p与p_goal的取值进行比较，进而获得随机采样节点q_rand的取值；步骤3，获得q_rand之后，应用度量函数在RRT树中寻找能使到q_rand之间的度量函数值最小的点q_near；步骤4，以q_near为起点向q_rand方向移动距离L_step,从而产生新节点记作q_new，然后检测q_new是否属于自由空间点；步骤5，循环以上操作直到q_rand到达误差允许的目标点区域；步骤6，从目标状态点出发，依次反向搜索找到父节点，最终得到初步规划路径。本发明方法能够提高规划过程的实时性并大幅度光滑路径。

Description

一种移动机器人的路径规划方法

技术领域

本发明属于移动机器人技术领域，具体涉及一种移动机器人的路径规划方法。

背景技术

随着生产、生活中对自动化越来越高的要求，智能机器人毋庸置疑是机器人技术发展的主流趋势。因此，机器人路径规划作为智能移动机器人研究的核心内容之一,在近几年的科研和生产中一直处于热点问题。所谓移动机器人路径规划,就是机器人根据自身传感器对环境的感知,根据特定算法自行规划出一条安全的运行路线,同时力求高效的完成作业任务。移动机器人路径规划主要解决3个问题：1)使机器人能从初始点运动到目标点；2)用一定的算法使机器人能绕开障碍物,并且经过某些特定点完成相应的作业任务；3)在完成以上任务的前提下,尽量优化机器人运行轨迹。

移动机器人路径规划算法经过几十年的研究和发展，由最初的传统规划算法到基于人工智能的启发式规划算法，取得了大量研究成果。传统的算法包括基于采样的方法，比如随机路线图法(probabilistic road-map，简称PRM))和快速搜索随机树法(rapidly-exploring random trees，简称RRT)；基于图搜索的方法,如A*算法(A-Star)、D*算法(D-Star,或Dynamic A-Star)；以及人工势场法。然而，由于传统方法存对环境模型严重依赖，对环境精确信息要求严格且易陷入局部极小值等缺点，往往不能得到最优的规划路径。因此，基于人工智能方法的启发式算法不断被提出并逐渐流行，比如遗传算法、蚁群算法、粒子群算法以及人工神经网络和模糊逻辑不断被用于移动机器人路径规划中并取得不错的效果。其中神经网络因其良好的非线性映射能力在路径规划中表现突出。启发式算法具有对非确定环境较强的自适应能力，因此克服了传统算法的缺陷，但因为计算量大，所以实时性较差，然而随着硬件计算能力的显著提升，该弊端也逐渐淡化。

考虑到在众多传统规划算法中，由于RRT算法采用随机采样的规划方法，不需要对状态空间进行预处理，搜索速度快，而且在搜索的过程中还考虑了机器人客观存在的约束(非完整性约束、动力学约束、运动学约束)，从而能够有效地解决复杂环境下的运动规划问题，使得该算法近年来在机器人运动规划领域得到了广泛的应用和研究。但是其本身也存在诸如收敛速度慢，实时性差，算法的随机性导致其生成的路径不平滑，无法被非完整性约束机器人直接执行等缺点。因此，本发明文针对上述存在的问题，提出一种基于改进的RRT的运动规划算法，它采用了目标偏向采样策略和基于合理度量函数的节点连接机制来解决现有RRT算法在这方面的不足.通过仿真实验证实了该算法的优越性、有效性和实用性。

发明内容

本发明的目的是提供一种移动机器人的路径规划方法，该方法能够提高规划过程的实时性并大幅度光滑路径，获得实用的规划路径。

本发明所采用的技术方案是，一种移动机器人的路径规划方法，具体按照以下步骤实施：

步骤1，在基本RRT算法基础上采用一种目标偏向采样策略，提前设定一个目标偏向概率阈值p_goal；

步骤2，在自由空间进行随机采样时根据均匀概率分布随机获得一个概率值p，将p与p_go_al的取值进行比较，进而获得随机采样节点q_rand的取值；

步骤3，获得q_rand之后，应用度量函数在RRT树中寻找能使到q_rand之间的度量函数值最小的点q_near；

步骤4，以q_near为起点向q_rand方向移动距离L_step,从而产生新节点记作q_new，然后检测q_new是否属于自由空间点，如果是，则将其加入RRT树，否则回到步骤2；

步骤5，循环以上操作直到q_rand到达误差允许的目标点区域，即满足|q_rand-q_goal|≤ε，其中ε是允许的最大距离误差；

步骤6，从目标状态点出发,依次反向搜索找到父节点，直至到达起始状态点，最终得到初步规划路径。

本发明的特点还在于，

步骤2中，q_rand的取值遵循的原则为：如果p>p_go_al，则q_rand根据随机采样获得，否则q_rand＝q_go_al。

度量函数为：

C(q_m,q_n)＝w₁.D(q_m,q_n)+w₂.H(q_m,q_n) (1)

式(1)中的D(q_m,q_n)表示q_m，q_n两节点间的欧氏距离经过归一化处理后的值；H(q_m,q_n)表示q_m，q_n两节点间的夹角经过归一化处理后的值，w₁，w₂分别为D(q_m,q_n)，H(q_m,q_n)的系数，且满足w₁+w₂＝1。

式(1)中

其中，是距离对应的归一化函数，d表示距离，d_max表示距离中的最大者；x_m，y_m分别表示q_m点的x,y坐标，x_n，y_n分别表示q_n点的x,y坐标。

式(1)中H(q_m,q_n)＝N₂(|θ_m-θ_n|)，

其中，是角度对应的归一化函数，θ表示角度，θ_max表示角度值中最大者。

本发明的有益效果是该方法能够提高规划过程的实时性并大幅度光滑路径，获得实用的规划路径。

附图说明

图1是应用本发明方法基于同时兼顾距离和夹角所提出的新的度量函数下新增点选择策略图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明为一种移动机器人的路径规划方法，如图1所示，具体按照以下步骤实施：

步骤1，在基本RRT算法基础上采用一种目标偏向采样策略，提前设定一个目标偏向概率阈值p_goal；

步骤2，在自由空间进行随机采样时根据均匀概率分布随机获得一个概率值p，将p与p_goal的取值进行比较，进而获得随机采样节点q_rand的取值；

步骤2中，q_rand的取值遵循的原则为：如果p>p_goal，则q_rand根据随机采样获得，否则q_rand＝q_goal；

步骤3，获得q_rand之后，应用度量函数在RRT树中寻找能使到q_rand之间的度量函数值最小的点q_near；

步骤3中，所述度量函数为：

C(q_m,q_n)＝w₁.D(q_m,q_n)+w₂.H(q_m,q_n) (1)

式(1)中的D(q_m,q_n)表示q_m，q_n两节点间的欧氏距离经过归一化处理后的值；H(q_m,q_n)表示q_m，q_n两节点间的夹角经过归一化处理后的值，w₁，w₂分别为D(q_m,q_n)，H(q_m,q_n)的系数，且满足w₁+w₂＝1；

式(1)中

其中，是距离对应的归一化函数，d表示距离，d_max表示距离中的最大者；x_m，y_m分别表示q_m点的x,y坐标，x_n，y_n分别表示q_n点的x,y坐标；

式(1)中H(q_m,q_n)＝N₂(|θ_m-θ_n|)，

其中，是角度对应的归一化函数，θ表示角度，θ_max表示角度值中最大者；

步骤4，以q_near为起点向q_rand方向移动距离L_step,从而产生新节点记作q_new，然后检测q_new是否属于自由空间点，如果是，则将其加入RRT树，否则回到步骤2；

步骤5，循环以上操作直到q_rand到达误差允许的目标点区域，即满足|q_rand-q_goal|≤ε，其中ε是允许的最大距离误差，可根据具体需要调整；

步骤6，从目标状态点出发,依次反向搜索找到父节点，直至到达起始状态点，最终得到初步规划路径。

图1表示的是基于同时兼顾距离和夹角所提出的新的度量函数下新增点选择略，图中q_m、q_n为RRT树节点，q_rand为生成的随机采样节点，q_near为根据度量函数选定的近邻节点(在图1中，q_near与q_n是同一点)，q_new为新添加的树节点，L_step为节点生成步长；d₁,d₂，分别代表q_m，q_n与q_rand之间的距离，θ₁，θ₂分别代表q_m，q_n所在直线延长线与其到q_rand点连线之间的夹角。

本发明的优点是该方法能够提高规划过程的实时性并大幅度光滑路径，获得实用的规划路径。

Claims (5)

1.一种移动机器人的路径规划方法，其特征在于，具体按照以下步骤实施：

步骤1，在基本RRT算法基础上采用一种目标偏向采样策略，提前设定一个目标偏向概率阈值p_goal；

步骤2，在自由空间进行随机采样时根据均匀概率分布随机获得一个概率值p，将p与p_goal的取值进行比较，进而获得随机采样节点q_rand的取值；

步骤3，获得q_rand之后，应用度量函数在RRT树中寻找能使到q_rand之间的度量函数值最小的点q_near；

步骤4，以q_near为起点向q_rand方向移动距离L_step,从而产生新节点记作q_new，然后检测q_new是否属于自由空间点，如果是，则将其加入RRT树，否则回到步骤2；

步骤5，循环以上操作直到q_rand到达误差允许的目标点区域，即满足|q_rand-q_goal|≤ε，其中ε是允许的最大距离误差；

步骤6，从目标状态点出发,依次反向搜索找到父节点，直至到达起始状态点，最终得到初步规划路径。

2.根据权利要求1所述的一种移动机器人的路径规划方法，其特征在于，步骤2中，q_rand的取值遵循的原则为：如果p>p_goal，则q_rand根据随机采样获得，否则q_rand＝q_goal。

3.根据权利要求1所述的一种移动机器人的路径规划方法，其特征在于，步骤3中，所述度量函数为：

C(q_m,q_n)＝w₁.D(q_m,q_n)+w₂.H(q_m,q_n) (1)

式(1)中的D(q_m,q_n)表示q_m，q_n两节点间的欧氏距离经过归一化处理后的值；H(q_m,q_n)表示q_m，q_n两节点间的夹角经过归一化处理后的值，w₁，w₂分别为D(q_m,q_n)，H(q_m,q_n)的系数，且满足w₁+w₂＝1。

4.根据权利要求3所述的一种移动机器人的路径规划方法，其特征在于,式(1)中

其中，是距离对应的归一化函数，d表示距离，d_max表示距离中的最大者；x_m，y_m分别表示q_m点的x,y坐标，x_n，y_n分别表示q_n点的x,y坐标。

5.根据权利要求3所述的一种移动机器人的路径规划方法，其特征在于,式(1)中H(q_m,q_n)＝N₂(|θ_m-θ_n|)，

其中，是角度对应的归一化函数，θ表示角度，θ_max表示角度值中最大者。