CN111752281A - 基于改进rrt算法的移动机器人路径规划方法及系统 - Google Patents

基于改进rrt算法的移动机器人路径规划方法及系统 Download PDF

Info

Publication number
CN111752281A
CN111752281A CN202010667931.2A CN202010667931A CN111752281A CN 111752281 A CN111752281 A CN 111752281A CN 202010667931 A CN202010667931 A CN 202010667931A CN 111752281 A CN111752281 A CN 111752281A
Authority
CN
China
Prior art keywords
path
mobile robot
new
algorithm
rand
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.)
Pending
Application number
CN202010667931.2A
Other languages
English (en)
Inventor
张鹏
黄少军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Inspur Software Co Ltd
Original Assignee
Inspur Software Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Inspur Software Co Ltd filed Critical Inspur Software Co Ltd
Priority to CN202010667931.2A priority Critical patent/CN111752281A/zh
Publication of CN111752281A publication Critical patent/CN111752281A/zh
Pending legal-status Critical Current

Links

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
    • G05D1/0212—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory
    • G05D1/0223—Control of position or course in two dimensions specially adapted to land vehicles with means for defining a desired trajectory involving speed control of the vehicle
    • 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
    • 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
    • G05D1/0276—Control of position or course in two dimensions specially adapted to land vehicles using signals provided by a source external to the vehicle
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0289—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling with means for avoiding collisions between vehicles
    • 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
    • G05D1/0287—Control of position or course in two dimensions specially adapted to land vehicles involving a plurality of land vehicles, e.g. fleet or convoy travelling
    • G05D1/0291—Fleet control

Landscapes

  • Engineering & Computer Science (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Automation & Control Theory (AREA)
  • Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
  • Feedback Control In General (AREA)
  • Manipulator (AREA)

Abstract

本发明公开了一种基于改进RRT算法的移动机器人路径规划方法及系统，属于机器人移动路径规划领域，本发明要解决的技术问题为如何基于RRT算法规划出各种环境中移动机器人更优的路径，采用的技术方案为：该方法是在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；再利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；再对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；具体如下：S1、加入收敛因子；S2、避免局部极小值；S3、平滑处理。该系统包括收敛因子加入单元、局部极小值规避单元和平滑处理单元。

Description

基于改进RRT算法的移动机器人路径规划方法及系统
技术领域
本发明涉及移动机器人路径规划领域，具体地说是一种基于改进RRT算法的移动机器人路径规划方法及系统。
背景技术
移动机器人路径规划是研究机器人非常重要的问题。移动机器人具有获取环境信息、进行实时规划和控制执行行为的综合系统，它可以通过对工作环境的检测和自主移动来完成每一项任务，它是机器人领域的重要组成部分，也是当今科学技术中研究最为活跃的领域。移动机器人的移动路径多种多样，规划出各种环境中的移动机器人的更优路径是该领域的难题。
快速扩展树RRT(Rapidly-exploring Random Tree)算法，RRT算法对环境要求低即可以不对环境做事先处理，且算法的搜索速度快，已经被广泛应用于解决高维空间、多自由度移动机器人路径规划问题。RRT算法是由Lavalle 首次提出的基于随机采样的增量式搜索算法，同时该算法又是基于树形结构的典型算法。其中，随机性是RRT算法的固有属性。RRT算法利用树结构替代有向图结构，通过逐步的“拉扯”搜索树向未知的环境空间进行部分搜索。在非完整性动力学约束和非完整性约束规划中可以直接使用RRT算法，因为该算法具有完备性，即当问题存在可行路径时，使用RRT算法总能保证找到路径。RRT 算法可以适用于不同障碍物分布情况下的环境，如迷宫类型、分布障碍物类型、混杂障碍物类型等环境。但是现有的RRT算法存在偏差性大、无导向性且稳定性较差的问题，同时还存在扩展方式平均、路径质量差等问题。
综上所述，故如何基于RRT算法规划出各种环境中移动机器人更优的路径是目前亟待解决的技术问题。
发明内容
本发明的技术任务是提供一种基于改进RRT算法的移动机器人路径规划方法及系统，来解决如何基于RRT算法规划出各种环境中移动机器人更优的路径的问题。
本发明的技术任务是按以下方式实现的，一种基于改进RRT算法的移动机器人路径规划方法，该方法是在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；再利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；再对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；具体如下：
S1、加入收敛因子；
S2、避免局部极小值；
S3、平滑处理。
作为优选，所述趋向于最优路径需要满足如下条件：
①、规划的路径长度与目标路径长度的绝对值不大于根据硬件环境设定的长度阀值；
②、相邻两路径之间的角度不大于根据硬件环境设定的角度阀值。
作为优选，所述步骤S1中加入收敛因子是通过在采样策略中加入收敛因子 con；具体如下：
S101、初始化T1＝xinit；其中，xinit表示初始点；
S102、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤S112；
②、若不是，则下一步执行步骤S103；
S103、生成随机点xrand；
S104、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand， rand∈(0,1)；
S105、判断是否rand<con：
①、若是，则下一步执行步骤S106；
②、若否，则xrand不变，跳转至步骤S107；
S106、xrand＝xgoal；
S107、找出xnear使D(xnew,xrand)≤D(x,xrand)；
S108、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
S109、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤S110；
②、若否，则跳转至步骤S103；
S110、在扩展树上增加节点，Tk+1＝Tk+xnew；
S111、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤S112；
②、若否，则跳转至步骤S103；
S112、结束。
作为优选，所述步骤S2中避免局部极小值是采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；具体如下：
S201、随机点的生成：设RN(P,ρ)为随机点的生成的函数；具体为：
设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
S202、可变步长：为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-GDA0002622935630000031
Figure RE-GDA0002622935630000032
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
更优地，所述步骤S3中平滑处理具体如下：
S301、在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit，xN表示目标点xgoal；
S302、对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；
S303、令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
一种基于改进RRT算法的移动机器人路径规划系统，该系统包括，
收敛因子加入单元，用于在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；
局部极小值规避单元，用于利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；
平滑处理单元，用于对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；趋向于最优路径需要满足如下条件：
①、规划的路径长度与目标路径长度的绝对值不大于根据硬件环境设定的长度阀值；
②、相邻两路径之间的角度不大于根据硬件环境设定的角度阀值。
作为优选，所述收敛因子加入单元是通过在采样策略中加入收敛因子con；具体工作过程如下：
(1)、初始化T1＝xinit；其中，xinit表示初始点；
(2)、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤(12)；
②、若不是，则下一步执行步骤(3)；
(3)、生成随机点xrand；
(4)、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand， rand∈(0,1)；
(5)、判断是否rand<con：
①、若是，则下一步执行步骤(6)；
②、若否，则xrand不变，跳转至步骤(7)；
(6)、xrand＝xgoal；
(7)、找出xnear使D(xnew,xrand)≤D(x,xrand)；
(8)、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
(9)、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤(10)；
②、若否，则跳转至步骤(3)；
(10)、在扩展树上增加节点，Tk+1＝Tk+xnew；
(11)、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤(12)；
②、若否，则跳转至步骤(3)；
(12)、结束；
所述局部极小值规避单元是采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；局部极小值规避单元包括，
随机点生成模块，用于生产随机点，设RN(P,ρ)为随机点的生成的函数；具体为：
设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
可变步长模块，用于调整移动步长，具体是为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-GDA0002622935630000061
Figure RE-GDA0002622935630000062
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
更优地，所述平滑处理单元包括，
路径节点队列形成模块，用于在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit，xN表示目标点xgoal；
平滑模块，用于对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；
重复模块，用于令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终 x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
一种电子设备，包括：存储器和至少一个处理器；
其中，所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如上述的基于改进RRT算法的移动机器人路径规划方法。
一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行时，实现如上述的基于改进RRT算法的移动机器人路径规划方法。
本发明的基于改进RRT算法的移动机器人路径规划方法及系统具有以下优点：
(一)针对RRT算法存在扩展方式平均、路径质量差等问题提出S-RRT算法加以改进，S-RRT算法是在RRT算法基础上先加入收敛因子来改进扩展树的生长点和探索点的选择，从而达到提高算法收敛速度的目的；再利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；最后对规划出的移动机器人路径进行平滑处理，使得路径长度变短更趋向于最优路径；
(二)RRT算法可适用于各种环境的移动机器人路径规划，而改进的RRT 算法可以继承原算法的所有优点，在栅格环境、狭窄环境以及障碍物随机产生的环境下改进RT算法不但可以提高原算法的搜索效率，还可以使规划出更优的路径。
附图说明
下面结合附图对本发明进一步说明。
附图1为加入收敛因子的流程框图；
附图2为随机节点生成图的示意图。
具体实施方式
参照说明书附图和具体实施例对本发明的基于改进RRT算法的移动机器人路径规划方法及系统作以下详细地说明。
实施例1：
本发明的基于改进RRT算法的移动机器人路径规划方法，该方法是在RRT 算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；再利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；再对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；具体如下：
S1、加入收敛因子：经典RRT算法在很多没有探索价值的地方进行采样且扩展方式平均、实时性差、路径质量不高。经过分析得知造成RRT算法上述缺陷的根源在于随机点是在全空间内随机的产生，同时在对树进行扩展的过程中大部分扩展目标点都是xrand，而只有小部分扩展目标点是向目标区域扩展的xgoal。由于RRT算法不具有启发性，所以算法所需时间较长。
针对扩展方式过于平均的问题，通过在采样策略中加入收敛因子con；如附图1所示，具体如下：
S101、初始化T1＝xinit；其中，xinit表示初始点；
S102、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤S112；
②、若不是，则下一步执行步骤S103；
S103、生成随机点xrand；
S104、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand， rand∈(0,1)；
S105、判断是否rand<con：
①、若是，则下一步执行步骤S106；
②、若否，则xrand不变，跳转至步骤S107；
S106、xrand＝xgoal；
S107、找出xnear使D(xnew,xrand)≤D(x,xrand)；
S108、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
S109、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤S110；
②、若否，则跳转至步骤S103；
S110、在扩展树上增加节点，Tk+1＝Tk+xnew；
S111、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤S112；
②、若否，则跳转至步骤S103；
S112、结束。
S2、避免局部极小值：在RRT算法的采样策略中加入收敛因子，虽然可以提高RRT算法的收敛速度，但也会有新的问题产生，如容易使搜索的路径陷入局部极小值。为了解决该问题，本发明采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；具体如下：
S201、随机点的生成：设RN(P,ρ)为随机点的生成的函数；如附图2所示，圆G表示障碍物区域，P点表示移动机器人目前所处的位置，圆P的半径为ρ圆上的1、2、3、4点为移动机器人被选扩展点，点4是虚线与障碍物发生碰撞的点。
另，设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
S202、可变步长：为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-GDA0002622935630000091
Figure RE-GDA0002622935630000092
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
S3、平滑处理，具体如下：
S301、在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit， xN表示目标点xgoal；
S302、对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；贪心算法核心代码如下：
GREDDY_RRT(path,world)
Init(world)；
For startnode to(size(path))
endnode＝startnode.next；
if Collision(startnode,endnode,world,n)＝0
endnode＝endnode.next
else DELLETE(startnode.next:endnode)
startnode＝endnode.next；
return path.
上述代码可以理解为：先是初始化环境，再进行一个循环，对初始结点判断与每个节点的路径是否与障碍物有碰撞，没有的话就可以删除这个节点，重复循环直到最后一个节点。
S303、令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
其中，趋向于最优路径需要满足如下条件：
①、规划的路径长度与目标路径长度的绝对值不大于根据硬件环境设定的长度阀值；
②、相邻两路径之间的角度不大于根据硬件环境设定的角度阀值。
实施例2：
本发明的基于改进RRT算法的移动机器人路径规划系统，该系统包括，
收敛因子加入单元，用于在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；收敛因子加入单元是通过在采样策略中加入收敛因子con；具体工作过程如下：
(1)、初始化T1＝xinit；其中，xinit表示初始点；
(2)、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤(12)；
②、若不是，则下一步执行步骤(3)；
(3)、生成随机点xrand；
(4)、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand， rand∈(0,1)；
(5)、判断是否rand<con：
①、若是，则下一步执行步骤(6)；
②、若否，则xrand不变，跳转至步骤(7)；
(6)、xrand＝xgoal；
(7)、找出xnear使D(xnew,xrand)≤D(x,xrand)；
(8)、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
(9)、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤(10)；
②、若否，则跳转至步骤(3)；
(10)、在扩展树上增加节点，Tk+1＝Tk+xnew；
(11)、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤(12)；
②、若否，则跳转至步骤(3)；
(12)、结束；
局部极小值规避单元，用于利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；局部极小值规避单元是采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；局部极小值规避单元包括，
随机点生成模块，用于生产随机点，设RN(P,ρ)为随机点的生成的函数；具体为：
设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
可变步长模块，用于调整移动步长，具体是为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-GDA0002622935630000111
Figure RE-GDA0002622935630000121
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
平滑处理单元，用于对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；平滑处理单元包括，
路径节点队列形成模块，用于在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit，xN表示目标点xgoal；
平滑模块，用于对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；
重复模块，用于令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终 x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
实施例3：
本发明实施例还提供了一种电子设备，包括：存储器和至少一个处理器；
其中，所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如任一实施例中的基于改进RRT算法的移动机器人路径规划方法。
实施例4：
本发明实施例还提供了一种计算机可读存储介质，其中存储有多条指令，指令由处理器加载，使处理器执行本发明任一实施例中的基于改进RRT算法的移动机器人路径规划方法。具体地，可以提供配有存储介质的系统或者装置，在该存储介质上存储着实现上述实施例中任一实施例的功能的软件程序代码，且使该系统或者装置的计算机(或CPU或MPU)读出并执行存储在存储介质中的程序代码。
在这种情况下，从存储介质读取的程序代码本身可实现上述实施例中任何一项实施例的功能，因此程序代码和存储程序代码的存储介质构成了本发明的一部分。
用于提供程序代码的存储介质实施例包括软盘、硬盘、磁光盘、光盘(如CD-ROM、CD-R、CD-RW、DVD-ROM、DVD-R基于改进RRT算法的移动机器人路径规划方法及系统M、DVD-RW、DVD+RW)、磁带、非易失性存储卡和ROM。可选择地，可以由通信网络从服务器计算机上下载程序代码。
此外，应该清楚的是，不仅可以通过执行计算机所读出的程序代码，而且可以通过基于程序代码的指令使计算机上操作的操作系统等来完成部分或者全部的实际操作，从而实现上述实施例中任意一项实施例的功能。
此外，可以理解的是，将由存储介质读出的程序代码写到插入计算机内的扩展板中所设置的存储器中或者写到与计算机相连接的扩展单元中设置的存储器中，随后基于程序代码的指令使安装在扩展板或者扩展单元上的CPU等来执行部分和全部实际操作，从而实现上述实施例中任一实施例的功能。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

Claims (10)

1.一种基于改进RRT算法的移动机器人路径规划方法，其特征在于，该方法是在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；再利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；再对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；具体如下：
S1、加入收敛因子；
S2、避免局部极小值；
S3、平滑处理。
2.根据权利要求1所述的基于改进RRT算法的移动机器人路径规划方法，其特征在于，所述趋向于最优路径需要满足如下条件：
①、规划的路径长度与目标路径长度的绝对值不大于根据硬件环境设定的长度阀值；
②、相邻两路径之间的角度不大于根据硬件环境设定的角度阀值。
3.根据权利要求1所述的基于改进RRT算法的移动机器人路径规划方法，其特征在于，所述步骤S1中加入收敛因子是通过在采样策略中加入收敛因子con；具体如下：
S101、初始化T1＝xinit；其中，xinit表示初始点；
S102、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤S112；
②、若不是，则下一步执行步骤S103；
S103、生成随机点xrand；
S104、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand，rand∈(0,1)；
S105、判断是否rand<con：
①、若是，则下一步执行步骤S106；
②、若否，则xrand不变，跳转至步骤S107；
S106、xrand＝xgoal；
S107、找出xnear使D(xnew,xrand)≤D(x,xrand)；
S108、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
S109、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤S110；
②、若否，则跳转至步骤S103；
S110、在扩展树上增加节点，Tk+1＝Tk+xnew；
S111、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤S112；
②、若否，则跳转至步骤S103；
S112、结束。
4.根据权利要求1所述的基于改进RRT算法的移动机器人路径规划方法，其特征在于，所述步骤S2中避免局部极小值是采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；具体如下：
S201、随机点的生成：设RN(P,ρ)为随机点的生成的函数；具体为：
设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
S202、可变步长：为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-FDA0002622935620000031
Figure RE-FDA0002622935620000032
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
5.根据权利要求1-4中任一所述的基于改进RRT算法的移动机器人路径规划方法，其特征在于，所述步骤S3中平滑处理具体如下：
S301、在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit，xN表示目标点xgoal；
S302、对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；
S303、令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
6.一种基于改进RRT算法的移动机器人路径规划系统，其特征在于，该系统包括，
收敛因子加入单元，用于在RRT算法基础上加入收敛因子来改进扩展树的生长点和探索点的选择，达到提高算法收敛速度的目的；
局部极小值规避单元，用于利用动态步长调整来避免扩展树在进行路径规划时出现局部最小值的情况；
平滑处理单元，用于对规划出的移动机器人路径进行平滑处理，使得路径长度变短趋向于最优路径；趋向于最优路径需要满足如下条件：
①、规划的路径长度与目标路径长度的绝对值不大于根据硬件环境设定的长度阀值；
②、相邻两路径之间的角度不大于根据硬件环境设定的角度阀值。
7.根据权利要求6所述的基于改进RRT算法的移动机器人路径规划系统，其特征在于，所述收敛因子加入单元是通过在采样策略中加入收敛因子con；具体工作过程如下：
(1)、初始化T1＝xinit；其中，xinit表示初始点；
(2)、判断是否|xinit-xgoal|≤ρ：其中，xgoal表示目标点；
①、若是，则跳转到步骤(12)；
②、若不是，则下一步执行步骤(3)；
(3)、生成随机点xrand；
(4)、给定一个收敛因子参数con，con∈(0,1)，生成一个随机数rand，rand∈(0,1)；
(5)、判断是否rand<con：
①、若是，则下一步执行步骤(6)；
②、若否，则xrand不变，跳转至步骤(7)；
(6)、xrand＝xgoal；
(7)、找出xnear使D(xnew,xrand)≤D(x,xrand)；
(8)、在xnew和xrand的连线上求xnear，使xnew＝xnear+ρ；
(9)、判断是否collision(xnew，xnear)＝0：
①、若是，则下一步执行步骤(10)；
②、若否，则跳转至步骤(3)；
(10)、在扩展树上增加节点，Tk+1＝Tk+xnew；
(11)、判断是否|xnew-xgoal|≤ρ：
①、若是，则下一步执行步骤(12)；
②、若否，则跳转至步骤(3)；
(12)、结束；
所述局部极小值规避单元是采用随机点生成函数和动态调整步长函数进行障碍物的躲避；步长是RRT扩展树的单位长度，使用变化的动态步长不仅可以改善快速扩展树的不确定性还可以提高算法躲避障碍物的能力；局部极小值规避单元包括，
随机点生成模块，用于生产随机点，设RN(P,ρ)为随机点的生成的函数；具体为：
设I是移动机器人选择要扩展的节点，I是由随机点生成函数随机生成的且该随机点应同时符合以下三个条件的约束：
①、I满足方程(xI-xP)2+(yI-yp)2＝R2；(R为可变的步长)；
②、I是没有发生碰撞的节点；
③、I与节点P能成功连接；
可变步长模块，用于调整移动步长，具体是为减少移动机器人与障碍物碰撞检测次数，有效躲避障碍物可根据移动机器人工作环境大小来调整移动的步长，调整公式如下：
Figure RE-FDA0002622935620000061
Figure RE-FDA0002622935620000062
其中，xG(i)和yG(i)表示障碍物G(i)的横纵坐标；rG(i)表示障碍物半径；xp和yp表示当前点p的横纵坐标。
8.根据权利要求6或7所述的基于改进RRT算法的移动机器人路径规划系统，其特征在于，所述平滑处理单元包括，
路径节点队列形成模块，用于在RRT算法的查询阶段，从xgoal开始逐一查找父节点，直到随机树的根节点xinit为止，形成路径节点队列表示为(x0,x1,...xN)；其中，x0表示初始点xinit，xN表示目标点xgoal；
平滑模块，用于对已产生的路径利用贪心算法进行平滑，处理过程中令xnew＝x0，依次尝试连接x1,x2,...xN直到不能到达的第一个节点xi,那么xi-1就是xnew的可到达点，利用直线代替xnew和xi-1之间的路径；
重复模块，用于令xtemp＝xi-1，重复步骤S302的过程，直到xnew＝xN，最终x0,x1,...xN之间的路径被平滑为若干条直线，使路径更加光滑。
9.一种电子设备，其特征在于，包括：存储器和至少一个处理器；
其中，所述存储器存储计算机执行指令；
所述至少一个处理器执行所述存储器存储的计算机执行指令，使得所述至少一个处理器执行如权利要求1至5任一项所述的基于改进RRT算法的移动机器人路径规划方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行时，实现如权利要求1至5中所述的基于改进RRT算法的移动机器人路径规划方法。
CN202010667931.2A 2020-07-13 2020-07-13 基于改进rrt算法的移动机器人路径规划方法及系统 Pending CN111752281A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010667931.2A CN111752281A (zh) 2020-07-13 2020-07-13 基于改进rrt算法的移动机器人路径规划方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010667931.2A CN111752281A (zh) 2020-07-13 2020-07-13 基于改进rrt算法的移动机器人路径规划方法及系统

Publications (1)

Publication Number Publication Date
CN111752281A true CN111752281A (zh) 2020-10-09

Family

ID=72711374

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010667931.2A Pending CN111752281A (zh) 2020-07-13 2020-07-13 基于改进rrt算法的移动机器人路径规划方法及系统

Country Status (1)

Country Link
CN (1) CN111752281A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327620A (zh) * 2020-10-29 2021-02-05 广东省智能机器人研究院 兼顾绕障的移动机器人鲁棒控制方法及系统
CN112945254A (zh) * 2021-01-21 2021-06-11 西北工业大学 一种基于快速拓展随机树的无人车曲率连续路径规划方法
CN112987799A (zh) * 2021-04-16 2021-06-18 电子科技大学 一种基于改进rrt算法的无人机路径规划方法
CN113282077A (zh) * 2021-04-08 2021-08-20 浙江工业大学 基于正态分布rrt*和雅可比矩阵的同心管机器人运动规划方法
CN113359775A (zh) * 2021-07-08 2021-09-07 哈尔滨理工大学 一种动态变采样区域rrt无人车路径规划方法
CN113515123A (zh) * 2021-06-25 2021-10-19 北京精密机电控制设备研究所 一种基于改进rrt算法的机器人实时路径规划方法
CN117124335A (zh) * 2023-10-25 2023-11-28 山东工商学院 一种基于路径标记回溯策略的改进式rrt路径规划方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107883961A (zh) * 2017-11-06 2018-04-06 哈尔滨工程大学 一种基于Smooth‑RRT算法的水下机器人路径优化方法
CN109459031A (zh) * 2018-12-05 2019-03-12 智灵飞（北京）科技有限公司 一种基于贪心算法的无人机rrt路径优化方法
CN110083165A (zh) * 2019-05-21 2019-08-02 大连大学 一种机器人在复杂狭窄环境下路径规划方法
CN110275528A (zh) * 2019-06-04 2019-09-24 合肥工业大学 针对rrt算法改进的路径优化方法
CN112799069A (zh) * 2020-12-30 2021-05-14 上海海事大学 一种基于航海雷达图像的冰区航行海冰避障路径生成方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107883961A (zh) * 2017-11-06 2018-04-06 哈尔滨工程大学 一种基于Smooth‑RRT算法的水下机器人路径优化方法
CN109459031A (zh) * 2018-12-05 2019-03-12 智灵飞（北京）科技有限公司 一种基于贪心算法的无人机rrt路径优化方法
CN110083165A (zh) * 2019-05-21 2019-08-02 大连大学 一种机器人在复杂狭窄环境下路径规划方法
CN110275528A (zh) * 2019-06-04 2019-09-24 合肥工业大学 针对rrt算法改进的路径优化方法
CN112799069A (zh) * 2020-12-30 2021-05-14 上海海事大学 一种基于航海雷达图像的冰区航行海冰避障路径生成方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
肖支才 等: "基于循环寻优RRT算法的无人机航迹规划", 《计算机与现代化》 *
魏智红: "移动机器人全局路径规划方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 *

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112327620B (zh) * 2020-10-29 2022-05-17 广东省智能机器人研究院 兼顾绕障的移动机器人鲁棒控制方法及系统
CN112327620A (zh) * 2020-10-29 2021-02-05 广东省智能机器人研究院 兼顾绕障的移动机器人鲁棒控制方法及系统
CN112945254A (zh) * 2021-01-21 2021-06-11 西北工业大学 一种基于快速拓展随机树的无人车曲率连续路径规划方法
CN113282077B (zh) * 2021-04-08 2022-06-17 浙江工业大学 基于正态分布和雅可比矩阵的同心管机器人运动规划方法
CN113282077A (zh) * 2021-04-08 2021-08-20 浙江工业大学 基于正态分布rrt*和雅可比矩阵的同心管机器人运动规划方法
CN112987799B (zh) * 2021-04-16 2022-04-05 电子科技大学 一种基于改进rrt算法的无人机路径规划方法
CN112987799A (zh) * 2021-04-16 2021-06-18 电子科技大学 一种基于改进rrt算法的无人机路径规划方法
CN113515123A (zh) * 2021-06-25 2021-10-19 北京精密机电控制设备研究所 一种基于改进rrt算法的机器人实时路径规划方法
CN113515123B (zh) * 2021-06-25 2024-04-12 北京精密机电控制设备研究所 一种基于改进rrt算法的机器人实时路径规划方法
CN113359775A (zh) * 2021-07-08 2021-09-07 哈尔滨理工大学 一种动态变采样区域rrt无人车路径规划方法
CN113359775B (zh) * 2021-07-08 2022-01-18 哈尔滨理工大学 一种动态变采样区域rrt无人车路径规划方法
CN117124335A (zh) * 2023-10-25 2023-11-28 山东工商学院 一种基于路径标记回溯策略的改进式rrt路径规划方法
CN117124335B (zh) * 2023-10-25 2024-01-05 山东工商学院 一种基于路径标记回溯策略的改进式rrt路径规划方法

Similar Documents

Publication Publication Date Title
CN111752281A (zh) 基于改进rrt算法的移动机器人路径规划方法及系统
CN109597425B (zh) 基于强化学习的无人机导航和避障方法
US8744485B2 (en) Efficient location discovery
US11919170B2 (en) Fast method for robot path planning with obstacle avoidance
CN113885536B (zh) 一种基于全局海鸥算法的移动机器人路径规划方法
CN114161416A (zh) 基于势函数的机器人路径规划方法
CN114427866A (zh) 路径规划方法、电子设备以及存储介质
CN110954124A (zh) 一种基于a*-pso算法的自适应路径规划方法及系统
CN111427341B (zh) 一种基于概率地图的机器人最短预期时间目标搜索方法
CN113188555A (zh) 一种移动机器人路径规划方法
CN112613608A (zh) 一种强化学习方法及相关装置
CN117124335B (zh) 一种基于路径标记回溯策略的改进式rrt路径规划方法
CN113848911A (zh) 基于Q-learning和RRT*的移动机器人全局路径规划方法
Klaška et al. Automatic synthesis of efficient regular strategies in adversarial patrolling games
CN111008750A (zh) 一种基于全程旋转约束rrt算法的装配路径规划方法
Akiyama et al. Nested Monte-Carlo search with AMAF heuristic
CN115056222A (zh) 一种基于改进rrt算法的机械臂路径规划方法
CN111531550A (zh) 运动规划方法及装置、存储介质、电子装置
CN116619381A (zh) 一种工业机器人避障路径规划方法
CN116518977A (zh) 一种无人机路径规划方法、系统及设备
CN116698066A (zh) 基于邻域扩展和边界点改进A-star算法的机器人路径规划方法及系统
CN116449826A (zh) 基于路径平滑和双向跳点搜索的移动机器人路径规划方法
CN114625167A (zh) 基于启发式Q-learning算法的无人机协同搜索方法及系统
CN112148030B (zh) 一种基于启发式算法的水下滑翔机路径规划方法
Chung et al. Using ALC-PSO algorithm with particle growing method path planning in dynamic environments

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20201009

RJ01 Rejection of invention patent application after publication