CN116576844A - 一种考虑狭窄通道的移动机器人路径规划方法及系统 - Google Patents

Abstract

本发明公开了一种考虑狭窄通道的移动机器人路径规划方法及系统，包括地图构建模块、初始路径求解模块和路径优化模块；地图构建模块：对机器人所处的环境包括狭窄通道进行建模描述；初始路径求解模块：改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，寻找到一条从初始位置到目标位置的无碰撞路径；路径优化模块：在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，寻找父节点并寻找出一条渐近最优的优化路径；本发明对狭窄通道的响应效率高，执行速度快，得到的渐近最优路径可以保证机器人运动的安全性。

Description

一种考虑狭窄通道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技术领域，更具体的说是涉及一种考虑狭窄通道的移动机器人路径规划方法及系统。

背景技术

路径规划是移动机器人现实应用的关键技术之一，也是移动机器人研究领域的一个重要课题。现存的路径规划算法主要应用于移动机器人、智能车的自动驾驶等，通过对空间存在的障碍物进行检索，合理躲避障碍物进而规划出一条连接起始点和终止点不间断的路径，在实际生活中，面对不同的工作情况尤其是在图书馆、医院、商场、快递站等面对狭窄通道亦或是多障碍物的复杂环境中，需要构建不同的环境地图。

但是常规路径规划及算法会忽略机器人自身的形状大小、空间占用面积，面对不同的狭窄通道环境地图时会出现检索效率不高，鲁棒性较差等特点。

因此，在算法能检索出狭窄通道或混合障碍物的基础上，如何规划出一条渐近最优的路径让移动机器人高效且安全的通过，提高机器人的执行效率，提高路径的安全性，是本领域技术人员亟需解决的问题。

发明内容

有鉴于此，本发明提供了一种考虑狭窄通道的移动机器人路径规划方法及系统已解决背景技术中提到的问题。

为了实现上述目的，本发明采用如下技术方案：

一种考虑狭窄通道的移动机器人路径规划方法，包括以下步骤：

S1.环境地图的构建：对机器人所处的环境包括狭窄通道进行建模描述；

S2.改进算法后的初始路径求解：改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径；

S3.对初始路径进行优化：在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，寻找父节点以减少路径拐点，并寻找出一条渐近最优的优化路径。

优选的，S1中环境地图的构建的具体内容包括：

S11中的几何中心坐标位置为x和y；

S12中障碍物膨胀处理是以障碍物坐标为中心，向外扩张一定距离：

膨胀的距离为：

L≥α*max(r)

其中，α为膨胀系数，0<α<1，r为机器人的斜长半径；

其中，w为机器人宽度,h为机器人长。

优选的，S2的具体内容包括：

S21.在二维空间中，将机器人量化为节点p,在p的X轴方向上分别向两侧延伸出长度为R的桥，两个端点设为p1和p2，在桥的基础上正交出新的一组垂直桥，长度为R，端点分别设为p3和p4。

优选的，S2的具体内容还包括：

S22.在已经建立好的环境地图中随机选择起始点Xinit和终止点Xgoal的位置，并确定初始条件，初始化随机树，确定算法参数；

S23.执行采样函数，在空间中选择一个随机点Xrand，寻找离随机点Xrand最近的临近根节点Xnear；

S24.连接随机点Xrand和最近的临近根节点Xnear，作为树生长的方向，执行树生长函数，设置步长作为树枝的长度，生长随机树，在Xrand和Xnear的连线上根据步长确定生成的新节点Xnew；

S25.对狭窄通道进行检测并执行碰撞检测函数，遍历所有障碍物，判断机器人所处空间以及是否满足安全距离，若树生长的过程中遇到障碍物或者无法通过则停止生长，否则继续生长；

S26.重复步骤S22-S25，调用连接函数将每一次生长的Xnew与Xgoal相连，判断两点之间的距离是否小于步长，若小于，将生成的节点Xnew与终点Xgoal直接连起来，并将所有符合安全距离的节点Xnew依次存储在初始路径的树中，显示规划出的初始路径长度，生成初始路径。

优选的，S25中判断机器人所处空间的具体内容为：

当p3和p4同时在包括边缘的障碍物内，p1和p2同时在自由空间或两点中的任意一点在障碍物内，则机器人处于狭窄通道内；当p1、p2、p3和p4均在自由空间内，则机器人点处于自由空间中。

优选的，S25中对判断机器人满足安全距离的具体内容为：

当移动机器人处于狭窄通道时，计算机器人所处狭窄通道两侧的距离s，则狭窄通道的距离应满足s>w，w为机器人宽度；

当移动机器人处于自由空间时，为保证机器人可以自由转向或安全通过自由空间，应满足r<R，r为机器人的斜长半径。

优选的，对初始路径进行优化的具体内容包括：

S31.对初始路径中存储的新节点Xnew依次执行父节点搜索函数，在节点周围范围R1的区域内为Xnew寻找已有路径节点上的新的父节点Xparent，其中，父节点组成的新路径相较于已包含在树内的其他节点所组成的路径长度最小，范围R1随着已执行过父节点搜索的Xnew节点个数的增加而逐渐缩小；

S32.对父节点Xparent进行碰撞检测，当父节点Xparent所组成的新路径途中有障碍物，则该父节点失效，若无障碍物，则对父节点进行狭窄通道检测，判断Xparent所处的位置是否满足安全距离要求，满足则继续生长，不满足则停止生长；

S33.将父节点Xparent与执行父节点搜索的节点Xnew进行连接，更新随机树路径；

S34.重复S31-S33操作将每一次找出的父节点Xparent与终点Xgoal相连，判断两点之间的距离是否小于步长，若小于则直接相连并显示出优化后的路径。

优选的，S31中R1具体为：

式中：为初定范围，其值的大小根据环境地图的大小来选择，nodes为已执行过父节点搜索的节点个数，其值的大小逐渐递增。

一种考虑狭窄通道的移动机器人路径规划系统，包括：地图构建模块、初始路径求解模块和路径优化模块；

地图构建模块，用于对机器人所处的环境包括狭窄通道进行建模描述；

初始路径求解模块，用于利用改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，并进行狭窄通道检测和碰撞检测，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径，将所有符合安全距离的新节点依次存储在初始路径的树；

路径优化模块，用于在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，为初始路径中存储的新节点寻找父节点以减少路径拐点，进行狭窄通道检测和碰撞检测并寻找出一条渐近最优的优化路径。

经由上述的技术方案可知，与现有技术相比，本发明公开提供了一种考虑狭窄通道的移动机器人路径规划方法及系统，对包含狭窄通道的环境地图进行建模，通过融合狭窄通道检测机制及改善节点搜索方式，改进路径节点冗余等缺点，从而对RRT算法进行改进，进而采用改进的RRT算法获得移动机器人的渐近最优路径，对狭窄通道的响应效率高，执行速度快，得到的渐近最优路径利于保证机器人运动的安全性。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1附图为本发明提供的一种考虑狭窄通道的移动机器人路径规划方法示意图；

图2附图为本发明提供的少障碍物长狭窄通道环境建模描述示意图；

图3附图为本发明提供的多障碍物长狭窄通道环境建模描述示意图；

图4附图为本发明提供的机器人节点处于狭窄通道内的示意图；

图5附图为本发明提供的机器人节点处于自由空间中的示意图；

图6附图为本发明提供的初始路径求解方法示意图；

图7附图为本发明提供的少障碍物长狭窄通道环境初始路径结果示意图；

图8附图为本发明提供的多障碍物长狭窄通道环境初始路径结果示意图；

图9附图为本发明提供的初始路径优化方法示意图；

图10附图为本发明提供的父节点搜索示意图；

图11附图为本发明提供的少障碍物长狭窄通道环境初始路径优化后的示意图；

图12附图为本发明提供的多障碍物长狭窄通道环境初始路径优化后的示意图；

图13附图为本发明提供的起始点终止点均在长狭窄通道内时初始路径示意图；

图14附图为本发明提供的起始点终止点均在长狭窄通道内时初始路径优化后的示意图；

图15附图为本发明提供的起始点终止点均在自由空间时初始路径示意图；

图16附图为本发明提供的起始点终止点均在自由空间时初始路径优化后的示意图；

图17附图为本发明提供的起始点在相对封闭的自由空间中，终止点在自由空间时初始路径示意图；

图18附图为本发明提供的起始点在相对封闭的自由空间中，终止点在自由空间时初始路径优化会的示意图；

图19附图为本发明提供的包含狭窄通道的特殊环境地图初始路径示意图；

图20附图为本发明提供的包含狭窄通道的特殊环境地图初始路径优化后的示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明实施例公开了一种考虑狭窄通道的移动机器人路径规划方法，包括以下步骤：

S1.环境地图的构建：对机器人所处的环境包括狭窄通道进行建模描述；

S2.改进算法后的初始路径求解：改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径；

S3.对初始路径进行优化：在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，寻找父节点以减少路径拐点，并寻找出一条渐近最优的优化路径。

为了进一步实施上述技术方案，S1中环境地图的构建的具体内容包括：

S11.确定各障碍物的几何中心坐标位置；

S12.基于移动机器人外部几何特征，为了防止机器人检索路径发生碰撞现象，对障碍物进行膨胀处理以满足安全要求，获得安全的环境地图，如图2和3。

为了进一步实施上述技术方案，S11中的几何中心坐标位置为x和y；

S12中障碍物膨胀处理是以障碍物坐标为中心，向外扩张一定距离：

膨胀的距离为：

L≥α*max(r)

其中，α为膨胀系数，0<α<1，r为机器人的斜长半径；

其中，w为机器人宽度,h为机器人长度。

在本实施例中，机器人简化为矩形或正方形，斜长半径为机器人中心到顶点的距离，即二维矩形图形对角线的一半。

为了进一步实施上述技术方案，S2的具体内容包括：

S21.在二维空间中，将机器人量化为节点p,在p的X轴方向上分别向两侧延伸出长度为R的桥，两个端点设为p1和p2，在桥的基础上正交出新的一组垂直桥，长度为R，端点分别设为p3和p4，如图4和5。

为了进一步实施上述技术方案，如图6，S2的具体内容还包括：

S22.在已经建立好的环境地图中随机选择起始点Xinit和终止点Xgoal，的位置，并确定初始条件，确定算法参数，初始化随机树；

S23.执行采样函数，在空间中选择一个随机点Xrand，寻找离随机点Xrand最近的临近根节点Xnear；

S24.连接随机点Xrand和最近的临近根节点Xnear，作为树生长的方向，执行树生长函数，设置步长作为树枝的长度，生长随机树，在Xrand和Xnear的连线上根据步长确定生成的新节点Xnew，

X轴方向树的距离＝原节点x距离+生长的距离*cosθ；

Y轴方向树的距离＝原节点y距离+生长的距离*sinθ；

θ为树生长的方向与X轴夹角，生长的距离为步长；

S25.对狭窄通道进行检测并执行碰撞检测函数，遍历所有障碍物，判断机器人所处空间以及是否满足安全距离，若树生长的过程中遇到障碍物或者无法通过则停止生长，否则继续生长；

具体的：对步骤S24中新生成的节点Xnew进行碰撞检测，若碰到障碍物，则该Xnew失效，放弃该点重新回到步骤S23，若没有碰到障碍物，判断Xnew所处的位置是否满足安全距离要求，满足则继续生长，不满足则停止生长，回到步骤S23；

S26.重复步骤S23-S25，调用连接函数将每一次生长的Xnew与Xgoal相连，判断两点之间的距离是否小于步长，若小于，将生成的节点Xnew与终点Xgoal直接连起来，并将所有符合安全距离的节点Xnew依次存储在初始路径的树中，显示规划出的初始路径长度，生成初始路径，如图7和8。

为了进一步实施上述技术方案，S25中判断机器人所处空间的具体内容为：

当p3和p4同时在包括边缘的障碍物内，p1和p2同时在自由空间或两点中的任意一点在障碍物内，则机器人处于狭窄通道内；当p1、p2、p3和p4均在自由空间内，则机器人点处于自由空间中。

为了进一步实施上述技术方案，S25中对判断机器人满足安全距离的具体内容为：

当移动机器人处于狭窄通道时，计算机器人所处狭窄通道两侧的距离s，则狭窄通道的距离应满足s>w，w为机器人宽度；

当移动机器人处于自由空间时，为保证机器人可以自由转向或安全通过自由空间，应满足r<R，r为机器人的斜长半径。

在本实施例中，对融合检验狭窄通道检测机制的RRT算法求解出的初始路径结果进行仿真分析：通过仿真验证融和狭窄通道检测机制的RRT算法在狭窄通道的检索效率要远大于在自由空间的检索效率；融合狭窄通道检测机制的RRT算法方法相较于传统RRT算法有更快的执行效率和响应速度，能高效的规划出一条渐近最优路径。

为了进一步实施上述技术方案，如图9，对初始路径进行优化的具体内容包括：

S31.对初始路径中存储的新节点Xnew依次执行父节点搜索函数，以节点Xnew为圆心，构造出半径为R1的圆形区域，在圆形区域内为节点Xnew寻找父节点Xparent，其中，由父节点Xparent所组成的新路径相较于已包含在树内的其他节点所组成的路径长度最小，范围R1随着已执行过父节点搜索的Xnew节点个数的增加而逐渐缩小，即越靠近终点，该范围越小，如图10；

S32.对父节点Xparent进行碰撞检测，当父节点Xparent所组成的新路径途中有障碍物，则该父节点失效，若无障碍物，则对父节点进行狭窄通道检测，判断Xparent所处的位置是否满足安全距离要求，满足则继续生长，不满足则停止生长；

S33.将父节点Xparent与执行父节点搜索的节点Xnew进行连接，更新随机树路径；

S34.重复S31-S33操作将每一次找出的父节点Xparent与终点Xgoal相连，判断两点之间的距离是否小于步长，若小于则直接相连并显示出优化后的路径，如图11和12。

为了进一步实施上述技术方案，S31中R1具体为：

式中：为初定范围，其值的大小根据环境地图的大小来选择，nodes为已执行过父节点搜索的节点个数，其值的大小逐渐递增。

对初始路径优化后的仿真进行分析：

经过对优化后的路径与优化前的路径对比后发现，改进节点搜索方式后的RRT算法在狭窄通道内的检索渐近最优路径的时间以及渐近最优路径的长度都要比改进搜索方式前的RRT算法要高效，针对狭窄通道的路径规划执行效率高，路径拐点较少。

在本实施例中，其中改进RRT算法的节点搜索方式形成的优化路径包括狭窄通道的一般地图：起始点终止点均在长狭窄通道内，如图13和14；起始点终止点均在自由空间，两点之间设有长狭窄通道，如图15和16；起始点在相对封闭的自由空间中，终止点在自由空间，两点之间设有短狭窄通道，如图17和18。

仿真采用了对比同一张地图在路径优化前和优化后所规划出的路径，综上，不同仿真环境地图都验证了融合狭窄通道检测机制的RRT算法，以及改进节点搜索方式后的RRT算法普遍适用于狭窄通道环境地图，其在狭窄通道内的执行效率、检索精确度明显高于自由空间，当面临多障碍物的狭窄通道以及自由空间混合的地图时，依旧能保持较高精确度的检索。

改进RRT算法的节点搜索方式形成的优化路径还包括包含狭窄通道的特殊环境地图，如图19和20：面对特殊地图，即空间非常大，其内部包含很多狭窄通道和大面积自由空间如迷宫地图，改进节点搜索方式后的RRT算法运行效率要明显高于改进前RRT效率，其原因是融合狭窄通道检测机制的RRT算法随机采样，不需要寻找最短路径，只要能保证安全通过即可规划出一条从起始点到终止点的渐近最优路径，其随机采样导致其在自由空间会造成一定程度的搜索浪费，但改进节点搜索方式后的RRT算法在每次新节点生成后都需要在一定范围内寻找父节点来优化路径长度，地图面积越大，其范围内可连接的父节点就越多，其搜索出最短路径的概率也就越大，该方案的算法以及优化方案都具有鲁棒性高的特点。

一种考虑狭窄通道的移动机器人路径规划系统，包括：地图构建模块、初始路径求解模块和路径优化模块；

地图构建模块，用于对机器人所处的环境包括狭窄通道进行建模描述；

初始路径求解模块，用于利用改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，并进行狭窄通道检测和碰撞检测，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径，将所有符合安全距离的新节点依次存储在初始路径的树；

路径优化模块，用于在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，为初始路径中存储的新节点寻找父节点以减少路径拐点，进行狭窄通道检测和碰撞检测并寻找出一条渐近最优的优化路径。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (10)

1.一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，包括以下步骤：

S1.环境地图的构建：对机器人所处的环境包括狭窄通道进行建模描述；

S2.改进算法后的初始路径求解：改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，并进行狭窄通道检测和碰撞检测，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径，将所有符合安全距离的新节点依次存储在初始路径的树；

S3.对初始路径进行优化：在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，为初始路径中存储的新节点寻找父节点以减少路径拐点，进行狭窄通道检测和碰撞检测并寻找出一条渐近最优的优化路径。

2.根据权利要求1所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S1中环境地图的构建的具体内容包括：

S11.确定各障碍物的几何中心坐标位置；

S12.对障碍物进行膨胀处理以满足安全要求，获得安全的环境地图。

3.根据权利要求2所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S11中的几何中心坐标位置为x和y；

S12中障碍物膨胀处理是以障碍物坐标为中心，向外扩张一定距离：

膨胀的距离为：

L≥α*max (r)

其中，α为膨胀系数，0<α<1，r为机器人的斜长半径；

其中，w为机器人宽度,h为机器人长。

4.根据权利要求1所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S2的具体内容包括：

S21.在二维空间中，将机器人量化为节点p,在p的X轴方向上分别向两侧延伸出长度为R的桥，两个端点设为p1和p2，在桥的基础上正交出新的一组垂直桥，长度为R，端点分别设为p3和p4。

5.根据权利要求4所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S2的具体内容还包括：

S22.在已经建立好的环境地图中随机选择起始点Xinit和终止点Xgoal的位置，并确定初始条件，初始化随机树，确定算法参数；

S23.执行采样函数，在空间中选择一个随机点Xrand，寻找离随机点Xrand最近的临近根节点Xnear；

S24.连接随机点Xrand和最近的临近根节点Xnear，作为树生长的方向，执行树生长函数，设置步长作为树枝的长度，生长随机树，在Xrand和Xnear的连线上根据步长确定生成的新节点Xnew；

S25.对狭窄通道进行检测并执行碰撞检测函数，遍历所有障碍物，判断机器人所处空间以及是否满足安全距离，若树生长的过程中遇到障碍物或者无法通过则停止生长，否则继续生长；

S26.重复步骤S22-S25，调用连接函数将每一次生长的Xnew与Xgoal相连，判断两点之间的距离是否小于步长，若小于，将生成的节点Xnew与终点Xgoal直接连起来，并将所有符合安全距离的节点Xnew依次存储在初始路径的树中，显示规划出的初始路径长度，生成初始路径。

6.根据权利要求5所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S25中判断机器人所处空间的具体内容为：

当p3和p4同时在包括边缘的障碍物内，p1和p2同时在自由空间或两点中的任意一点在障碍物内，则机器人处于狭窄通道内；当p1、p2、p3和p4均在自由空间内，则机器人点处于自由空间中。

7.根据权利要求6所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S25中对判断机器人满足安全距离的具体内容为：

当移动机器人处于狭窄通道时，计算机器人所处狭窄通道两侧的距离s，则狭窄通道的距离应满足s>w，w为机器人宽度；

当移动机器人处于自由空间时，为保证机器人可以自由转向或安全通过自由空间，应满足r<R，r为机器人的斜长半径。

8.根据权利要求5所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，对初始路径进行优化的具体内容包括：

S31.对初始路径中存储的新节点Xnew依次执行父节点搜索函数，在节点周围范围R1的区域内为Xnew寻找已有路径节点上的新的父节点Xparent，其中，父节点组成的新路径相较于已包含在树内的其他节点所组成的路径长度最小，范围R1随着已执行过父节点搜索的Xnew节点个数的增加而逐渐缩小；

S32.对父节点Xparent进行碰撞检测，当父节点Xparent所组成的新路径途中有障碍物，则该父节点失效，若无障碍物，则对父节点进行狭窄通道检测，判断Xparent所处的位置是否满足安全距离要求，满足则继续生长，不满足则停止生长；

S33.将父节点Xparent与执行父节点搜索的节点Xnew进行连接，更新随机树路径；

S34.重复S31-S33操作将每一次找出的父节点Xparent与终点Xgoal相连，判断两点之间的距离是否小于步长，若小于则直接相连并显示出优化后的路径。

9.根据权利要求8所述的一种考虑狭窄通道的移动机器人路径规划方法，其特征在于，S31中R1具体为：

式中：为初定范围，其值的大小根据环境地图的大小来选择，nodes为已执行过父节点搜索的节点个数，其值的大小逐渐递增。

10.一种考虑狭窄通道的移动机器人路径规划系统，基于权利要求1-9任一项所述的一种所述的考虑狭窄通道的移动机器人路径规划方法，其特征在于，包括：地图构建模块、初始路径求解模块和路径优化模块；

地图构建模块，用于对机器人所处的环境包括狭窄通道进行建模描述；

初始路径求解模块，用于利用改进后的RRT算法融合对狭窄通道的检测机制，从给定的起始点开始，通过对配置空间进行检索，生成新节点，不断地扩展由随机采样配置点构造的树形结构，并进行狭窄通道检测和碰撞检测，最终在扩展树中寻找到一条从初始位置到目标位置的无碰撞路径，将所有符合安全距离的新节点依次存储在初始路径的树；

路径优化模块，用于在融合狭窄通道检测机制的RRT算法的基础上改进路径节点搜索方式，对初始路径进行优化处理，为初始路径中存储的新节点寻找父节点以减少路径拐点，进行狭窄通道检测和碰撞检测并寻找出一条渐近最优的优化路径。