CN118171725A - 一种改进型机器人路径规划rrt算法 - Google Patents
一种改进型机器人路径规划rrt算法 Download PDFInfo
- Publication number
- CN118171725A CN118171725A CN202410588571.5A CN202410588571A CN118171725A CN 118171725 A CN118171725 A CN 118171725A CN 202410588571 A CN202410588571 A CN 202410588571A CN 118171725 A CN118171725 A CN 118171725A
- Authority
- CN
- China
- Prior art keywords
- path
- point
- robot
- sampling
- new
- 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
- 238000005070 sampling Methods 0.000 claims abstract description 122
- 238000007689 inspection Methods 0.000 claims abstract description 53
- 230000007246 mechanism Effects 0.000 claims abstract description 48
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 46
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000001914 filtration Methods 0.000 claims abstract description 10
- 230000033001 locomotion Effects 0.000 claims abstract description 10
- 238000000034 method Methods 0.000 claims description 34
- 230000008569 process Effects 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 24
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000007704 transition Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000013459 approach Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010845 search algorithm Methods 0.000 description 2
- XKMRRTOUMJRJIA-UHFFFAOYSA-N ammonia nh3 Chemical compound N.N XKMRRTOUMJRJIA-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002921 genetic algorithm search Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010921 in-depth analysis Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000008235 industrial water Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
- G01C21/00—Navigation; Navigational instruments not provided for in groups G01C1/00 - G01C19/00
- G01C21/20—Instruments for performing navigational calculations
Landscapes
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Control Of Position, Course, Altitude, Or Attitude Of Moving Bodies (AREA)
Abstract
本发明公开了一种改进型机器人路径规划RRT算法，涉及机器人路径规划技术领域，该算法包括以下步骤：首先设定一个路径起始点；建立有效多点采样自适应斜率优化机制进行随机点采样；建立自适应KD‑Tree路径临近点搜索机制寻找最邻近节点；根据移动步长计算新节点位置；使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，估计取水采样机器人与巡检机器人是否发生碰撞；采用三角形路径优化机制进行路径优化；发送优化后的路径包。本发明通过引入有效多点采样自适应斜率优化机制、三角形路径优化机制、自适应KD‑Tree路径临近点搜索机制、基于卡尔曼滤波的机器人路径预测机制，提高了多机器人协同工作时的路径规划效率和准确性。
Description
技术领域
本发明涉及机器人路径规划的技术领域，尤其涉及一种改进型机器人路径规划RRT算法。
背景技术
燃煤火力发电厂是工业生产的重要组成部分，工业取水采样是燃煤火力发电厂的重要生产环节。随着人工智能、物联网、大数据等技术的快速发展，燃煤火力发电厂取水检测机器人的研究取得了显著进展。取水检测机器人通过控制机械臂运动提取水样，并利用传感技术进行进行PH、氨氮、COD的在线检测，可有效提高取水检测效率和准确性，满足燃煤火力发电厂对水质监测的要求，取水检测机器人控制系统的应用层协议是取水检测机器人控制系统与取水检测机器人进行通信的重要手段。传统的取水检测机器人控制系统应用层协议采用ASCII编码，协议效率和通信可靠性较低。
路径规划是取水采样机器人的重要功能之一。现有的智能路径规划算法有很多，如：RRT算法、Dijkstra算法、Ａ*算法、人工势场法、蚁群算法、遗传算法、图搜算法，其中RRT算法是最常见的智能路径规划算法之一。
但是传统的RRT算法实际应用过程具有以下问题：（1） 传统的RRT算法在随机点采样阶段，只随机采样1次，这种采样机制导致在随机点采样阶段，不能在新路径节点选取阶段提供更多的新路径节点的优选方案，无法选择较优随机采样点；（2） 传统的RRT算法新随机采样点有落在最新路径点行进路线之后的可能，这种采样方式导致整体行进路径的加长；（3） 传统的RRT算法在计算随机采样点与路径点集合中各路径点的距离时，采用遍历每各路径点，分别计算与随机采样点之间的距离，该方法导致整体路径规划耗时增加；（4） 传统的RRT算法在并未对处理与移动障碍物碰撞的情况进行深入分析，导致机器人在复杂动态环境中的运动规划能力和安全性得不到保障。为此，本发明提出了一种改进型机器人路径规划RRT算法来解决上述技术问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有一种改进型机器人路径规划RRT算法存在的问题，提出了本发明。
因此，本发明目的是提供一种改进型机器人路径规划RRT算法，其目的是为了解决，随着维度的增加，蚁群和遗传算法搜索结果较差，图搜算法搜索速度慢。
为解决上述技术问题，本发明提供如下技术方案：
一种改进型机器人路径规划RRT算法，该方法包括以下步骤：S1：首先设定一个路径起始点；S2：建立有效多点采样自适应斜率优化机制，并使用该机制进行随机点采样；S3：建立自适应KD-Tree路径临近点搜索机制，并使用该机制寻找最邻近节点；S4：根据移动步长计算新节点位置；S5：使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，估计取水采样机器人与巡检机器人是否发生碰撞；并在计算新节点与最接近点的线段是否与固定障碍物碰撞，若不碰撞则将新节点加入路径点；S6：重复S2-S5的步骤，最终找到取水采样点位置；S7：采用三角形路径优化机制，进行路径优化；S8：发送优化后的取水采样路径包。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述S2过程中，引入有效多点采样自适应斜率优化机制，即每轮进行n次基于均匀分布的有效随机点采样，根据有效随机采样点生成规则和最优随机采样点选择策略获取本轮随机采样的一个最优采样点。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述有效多点采样自适应斜率优化机制的具体算法为：
首先定义：有效随机采样点，最优有效随机采样点，
随机采样点，最临近节点，取水采样机器人移动开始点，取水采样机器
人移动目标点，取水采样机器人最优移动路径斜率，取水采样机器人有效随机采
样点到最临近节点斜率，按下述算法步骤选择本轮最优随机采样点；
有效有效随机采样点生成；
计算取水采样机器人最优移动路径斜率；
计算取水采样机器人有效随机采样点到最临近节点斜率：；
计算最优有效随机采样点：。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述
S3过程中的自适应KD-Tree路径临近点搜索机制，即计算新的有效随机采样路径点与路径
点集合中各路径点的距离，其计算公式如下：；
其中，p和q是两个点，n是点的维度。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述S3过程中，随着有效路径点的增加，须动态构建KD-Tree，构建过程如下：
步骤一：从有效路径点数据集中选择一个点作为根节点；
步骤二：计算数据集中每个维度的方差；
步骤三：选择方差最大的维度作为当前节点的分割维度；
步骤四：将数据集分为两个子集，其中一个子集包含所有小于当前节点的点，另一个子集包含所有大于当前节点的点；
步骤五：递归对每个子集构建自适应KD-Tree。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：使用自适应KD-Tree查找与新的有效随机采样路径点最近的路径点过程如下：
步骤一：当产生新的有效随机采样路径点时，从根节点开始，根据当前节点对应的维度，将新的有效随机采样路径点与节点进行比较；
步骤二：如果查询点小于节点，则继续向左子树进行查询；
步骤三：如果查询点大于节点，则继续向右子树进行查询；
步骤四：重复步骤二和三，直到找到新的有效随机采样路径点所在的叶子节点。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述S5过程中，使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，即巡检机器人的位置和速度预测步骤如下：
首先定义巡检机器人的当前位置为，当前速度为，加速度为，下一个时刻
巡检机器人的位置为，速度为，表示下一时刻巡检机器人的位置与速度的状态向量；
a、预测巡检机器人位置和速度状态向量x_pred_cur；；；故；令，；；其中，x_pred_cur是t时刻巡检机器人的预测状态向
量，Ft是状态转移矩阵，x_pred_pre是上一时刻的状态向量，Bt是控制输入矩阵，a是控制输
入向量；
b、预测巡检机器人状态协方差p_pred_cur；；其
中，是巡检机器人的预测协方差矩阵，Q是过程噪声协方差矩阵；
c、计算卡尔曼增益K；；其中，K是卡尔曼增益，H是观测矩阵，R
是观测噪声协方差矩阵；
d、巡检机器人新状态估计x_new；；其
中，x_new是新的状态估计，z是通过巡检机器人的传感器测量出的观测值；
e、算新的巡检机器人状态协方差p_new；；其中，p_
new是新的状态协方差矩阵，I是单位矩阵。当巡检机器人在t+1时刻x_new中的位置值不等
于取出采样机器人在t+1时刻的位置值时，巡检机器人和取水采样机器人不会在移动中碰
撞。
作为本发明所述一种改进型机器人路径规划RRT算法的一种优选方案，其中：所述S7过程中的三角形路径优化机制，即在进行路径优化的过程中，我们需要对优化后的每一段路径进行检测，判断其是否与固定的障碍物或巡检机器人发生碰撞。如果发生碰撞，我们将放弃该段路径的当前优化过程，并转而选择下一个路径点进行路径优化处理。
本发明的有益效果：本发明通过引入有效多点采样自适应斜率优化机制、三角形路径优化机制、自适应KD-Tree路径临近点搜索机制、基于卡尔曼滤波的机器人路径预测机制，提高了多机器人协同工作时的路径规划效率和准确性。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其它的附图。其中：
图1为本发明提出的一种改进型机器人路径规划RRT算法中取水检测机器人的工作示意图；
图2为传统RRT算法树生长方向无序状态示意图；
图3为本发明提出的一种改进型机器人路径规划RRT算法的三角形路径优化机制示意图；
图4为本发明提出的一种改进型机器人路径规划RRT算法的实际应用流程示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
再其次，本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
参照图1-图4，为本发明的一个实施例，提供了一种改进型机器人路径规划RRT算法，本发明的机器人控制系统应用层协议是基于TCP/IP协议的取水检测机器人控制系统应用层协议，采用十六进制编码，提升了协议效率和通信可靠性，该算法的步骤为：S1：首先设定一个路径起始点；S2：建立有效多点采样自适应斜率优化机制，并使用该机制进行随机点采样；S3：建立自适应KD-Tree路径临近点搜索机制，并使用该机制寻找最邻近节点；S4：根据移动步长计算新节点位置；S5：使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，估计取水采样机器人与巡检机器人是否发生碰撞；并在计算新节点与最接近点的线段是否与固定障碍物碰撞，若不碰撞则将新节点加入路径点；S6：重复S2-S5的步骤，最终找到取水采样点位置；S7：采用三角形路径优化机制，进行路径优化；S8：发送优化后的取水采样路径包。
由于智能路径取水采样工作模式主要取决于路径规划算法，传统路径规划算法的研究，无法满足多机器人协同移动的场景，取水检测机器人工作示意图参考图2，本发明通过多点采样自适应斜率优化机制、自适应KD-Tree移动路径临近点搜索机制、基于卡尔曼滤波的巡检机器人路径预测机制，对RRT算法进行改进，可满足移动障碍物场景下，对取水检测机器人行进路线的优化，本实施例将展开介绍各个机制的具体应用步骤：
有效多点采样自适应斜率优化机制；传统的RRT算法在随机点采样阶段，只随机采样1次，这种采样机制导致在随机点采样阶段，不能在新路径节点选取阶段提供更多的新路径节点的优选方案，无法选择较优随机采样点；传统的RRT算法，新随机采样点有落在最新路径点行进路线之后的可能，这种采样方式导致整体行进路径的加长，如图2所示。
因此基于上述问题，引入有效多点采样自适应斜率优化机制，即每轮进行n次基于均匀分布的有效随机点采样，根据有效随机采样点生成规则和最优随机采样点选择策略获取本轮随机采样的一个最优采样点。
首先定义：有效随机采样点，最优有效随机采样点，
随机采样点，最临近节点，取水采样机器人移动开始点，取水采样机器
人移动目标点，取水采样机器人最优移动路径斜率，取水采样机器人有效随机采
样点到最临近节点斜率，按下述算法步骤选择本轮最优随机采样点；
有效有效随机采样点生成；
计算取水采样机器人最优移动路径斜率；
计算取水采样机器人有效随机采样点到最临近节点斜率：；
计算最优有效随机采样点：。
自适应KD-Tree路径临近点搜索机制;传统的RRT算法在计算随机采样点与路径点集合中各路径点的距离时，采用遍历每各路径点，分别计算与随机采样
点之间的距离，该方法导致整体路径规划耗时增加。
本文采用自适应KD-Tree算法，计算新的有效随机采样路径点与路径点集合中各
路径点的距离。计算公式如下：，其中，p和q是两个
点，n是点的维度。
该算法可提高查询效率，降低传统KD-Tree构建时间复杂度。自适应KD-Tree算法主要包含动态KD-Tree的构建和查询。
随着每轮有效路径点的增加，须动态构建KD-Tree，构建过程如下：1、从有效路径点数据集中选择一个点作为根节点；2、计算数据集中每个维度的方差；3、选择方差最大的维度作为当前节点的分割维度；4、将数据集分为两个子集，其中一个子集包含所有小于当前节点的点，另一个子集包含所有大于当前节点的点；5、递归对每个子集构建自适应KD-Tree。
使用自适应KD-Tree查找与新的有效随机采样路径点最近的路径点过程如下：1、当产生新的有效随机采样路径点时，从根节点开始，根据当前节点对应的维度，将新的有效随机采样路径点与节点进行比较；2、如果查询点小于节点，则继续向左子树进行查询；3、如果查询点大于节点，则继续向右子树进行查询；4、重复步骤2和3，直到找到新的有效随机采样路径点所在的叶子节点。
基于卡尔曼滤波的巡检机器人路径预测机制；
虽然RRT算法在解决取水检测机器人行进过程中避免与固定障碍物碰撞的问题上表现出了有效性，但它并未对处理与移动障碍物碰撞的情况进行深入分析。为此，本文引入了卡尔曼滤波算法来对移动障碍物进行建模。
卡尔曼滤波算法以其对真实状态提供最优无偏估计的独特优势而被广泛应用。在本研究中，我们利用这一特性对巡检机器人的位置和速度进行精确估计。通过这种方式，我们能够有效地预测并避免巡检机器人和取水采样机器人在移动过程中可能发生的碰撞情况。
该方法不仅扩展了RRT算法的应用范围，而且提升了机器人在复杂动态环境中的运动规划能力和安全性，为取水检测机器人的高效、安全运行提供了有力的理论支持和实践指导。
对巡检机器人（移动障碍物）位置和速度预测步骤如下：
首先定义巡检机器人的当前位置为，当前速度为，加速度为，下一个时刻
巡检机器人的位置为，速度为，表示下一时刻巡检机器人的位置与速度的状态向量；
a、预测巡检机器人位置和速度状态向量x_pred_cur；；；故；令，；；其中，x_pred_cur是t时刻巡检机器人的预测状态向
量，Ft是状态转移矩阵，x_pred_pre是上一时刻的状态向量，Bt是控制输入矩阵，a是控制输
入向量；b、预测巡检机器人状态协方差p_pred_cur；；其
中，是巡检机器人的预测协方差矩阵，Q是过程噪声协方差矩阵；c、计算卡尔曼增
益K；；其中，K是卡尔曼增益，H是观测矩阵，R是观测噪声协方差矩阵；
d、巡检机器人新状态估计x_new；；其中，x_new
是新的状态估计，z是通过巡检机器人的传感器测量出的观测值；e、算新的巡检机器人状态
协方差p_new；；其中，p_new是新的状态协方差矩阵，I是单位
矩阵。当巡检机器人在t+1时刻x_new中的位置值不等于取出采样机器人在t+1时刻的位置
值时，巡检机器人和取水采样机器人不会在移动中碰撞。
三角形路径优化机制；在原有的RRT算法框架中，创新性地融入了有效多点采样自适应斜率优化机制和自适应KD-Tree路径临近点搜索策略。这种改进有效地解决了传统RRT算法中路径无序扩展和整体路径规划时间较长的难题。然而，这种方法仍然存在路径点冗余的问题。
为了解决这一问题，本发明进一步引入了三角形路径优化机制。该机制通过对所有路径点进行三角形重连操作，如图3所示，在进行路径优化的过程中，我们需要对优化后的每一段路径进行检测，判断其是否与固定的障碍物或巡检机器人发生碰撞；如果发生碰撞，我们将放弃该段路径的当前优化过程，并转而选择下一个路径点进行路径优化处理。这样的策略确保了路径优化的效率和安全性。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种改进型机器人路径规划RRT算法，其特征在于，该算法包括以下步骤：S1：首先设定一个路径起始点；S2：建立有效多点采样自适应斜率优化机制，并使用该机制进行随机点采样；S3：建立自适应KD-Tree路径临近点搜索机制，并使用该机制寻找最邻近节点；S4：根据移动步长计算新节点位置；S5：使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，估计取水采样机器人与巡检机器人是否发生碰撞；并在计算新节点与最接近点的线段是否与固定障碍物碰撞，若不碰撞则将新节点加入路径点；S6：重复S2-S5的步骤，最终找到取水采样点位置；S7：采用三角形路径优化机制，进行路径优化；S8：发送优化后的取水采样路径包。
2.根据权利要求1所述的一种改进型机器人路径规划RRT算法，其特征在于：所述S2过程中，引入有效多点采样自适应斜率优化机制，即每轮进行n次基于均匀分布的有效随机点采样，根据有效随机采样点生成规则和最优随机采样点选择策略获取本轮随机采样的一个最优采样点。
3.根据权利要求2所述的一种改进型机器人路径规划RRT算法，其特征在于：所述有效多点采样自适应斜率优化机制的具体算法为：首先定义：有效随机采样点，最优有效随机采样点/>，随机采样点/>，最临近节点/>，取水采样机器人移动开始点/>，取水采样机器人移动目标点/>，取水采样机器人最优移动路径斜率/>，取水采样机器人有效随机采样点到最临近节点斜率/>，按下述算法步骤选择本轮最优随机采样点；有效有效随机采样点生成/>；
计算取水采样机器人最优移动路径斜率；
计算取水采样机器人有效随机采样点到最临近节点斜率：
；
计算最优有效随机采样点：
。
4.根据权利要求1所述的一种改进型机器人路径规划RRT算法，其特征在于：所述S3过程中的自适应KD-Tree路径临近点搜索机制，即计算新的有效随机采样路径点与路径点集合中各路径点的距离，其计算公式如下：
；其中，p和q是两个点，n是点的维度。
5.根据权利要求4所述的一种改进型机器人路径规划RRT算法，其特征在于：所述S3过程中，随着有效路径点的增加，须动态构建KD-Tree，构建过程如下：步骤一：从有效路径点数据集中选择一个点作为根节点；步骤二：计算数据集中每个维度的方差；步骤三：选择方差最大的维度作为当前节点的分割维度；步骤四：将数据集分为两个子集，其中一个子集包含所有小于当前节点的点，另一个子集包含所有大于当前节点的点；步骤五：递归对每个子集构建自适应KD-Tree。
6.根据权利要求5所述的一种改进型机器人路径规划RRT算法，其特征在于：使用自适应KD-Tree查找与新的有效随机采样路径点最近的路径点过程如下：步骤一：当产生新的有效随机采样路径点时，从根节点开始，根据当前节点对应的维度，将新的有效随机采样路径点与节点进行比较；步骤二：如果查询点小于节点，则继续向左子树进行查询；步骤三：如果查询点大于节点，则继续向右子树进行查询；步骤四：重复步骤二和三，直到找到新的有效随机采样路径点所在的叶子节点。
7.根据权利要求6所述的一种改进型机器人路径规划RRT算法，其特征在于：所述S5过程中，使用卡尔曼滤波算法估计巡检机器人下一个移动预置位，即巡检机器人的位置和速度预测步骤如下：首先定义巡检机器人的当前位置为，当前速度为/>，加速度为/>，下一个时刻巡检机器人的位置为/>，速度为/>，/>表示下一时刻巡检机器人的位置与速度的状态向量；a、预测巡检机器人位置和速度状态向量x_pred_cur；/>；；故/>；令/>，/>；；其中，x_pred_cur是t时刻巡检机器人的预测状态向量，Ft是状态转移矩阵，x_pred_pre是上一时刻的状态向量，Bt是控制输入矩阵，a是控制输入向量；b、预测巡检机器人状态协方差p_pred_cur；/>；其中，是巡检机器人的预测协方差矩阵，Q是过程噪声协方差矩阵；c、计算卡尔曼增益K；/>；
其中，K是卡尔曼增益，H是观测矩阵，R是观测噪声协方差矩阵；d、巡检机器人新状态估计x_new；；其中，x_new是新的状态估计，z是通过巡检机器人的传感器测量出的观测值；e、算新的巡检机器人状态协方差p_new；；其中，p_new是新的状态协方差矩阵，I是单位矩阵 ；当巡检机器人在t+1时刻x_new中的位置值不等于取出采样机器人在t+1时刻的位置值时，巡检机器人和取水采样机器人不会在移动中碰撞。
8.根据权利要求1所述的一种改进型机器人路径规划RRT算法，其特征在于：所述S7过程中的三角形路径优化机制，即在进行路径优化的过程中，对优化后的每一段路径进行检测，判断其是否与固定的障碍物或巡检机器人发生碰撞；如果发生碰撞，放弃该段路径的当前优化过程，并转而选择下一个路径点进行路径优化处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410588571.5A CN118171725B (zh) | 2024-05-13 | 2024-05-13 | 一种改进型机器人路径规划rrt算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410588571.5A CN118171725B (zh) | 2024-05-13 | 2024-05-13 | 一种改进型机器人路径规划rrt算法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN118171725A true CN118171725A (zh) | 2024-06-11 |
| CN118171725B CN118171725B (zh) | 2024-07-05 |
Family
ID=91359000
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410588571.5A Active CN118171725B (zh) | 2024-05-13 | 2024-05-13 | 一种改进型机器人路径规划rrt算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN118171725B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023155923A1 (zh) * | 2022-02-21 | 2023-08-24 | 中兴通讯股份有限公司 | 路径规划方法及装置、可读存储介质 |
| CN116793375A (zh) * | 2023-03-26 | 2023-09-22 | 重庆大学 | 一种基于双向搜索决策改进rrt的移动机器人路径规划方法 |
| CN117451070A (zh) * | 2023-11-20 | 2024-01-26 | 燕山大学 | 基于改进rrt*算法的光伏机器人规划算法及规划系统 |
| CN117724496A (zh) * | 2023-12-18 | 2024-03-19 | 国网江西省电力有限公司信息通信分公司 | 基于rrt*的电力巡检机器人路径规划方法 |
-
2024
- 2024-05-13 CN CN202410588571.5A patent/CN118171725B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2023155923A1 (zh) * | 2022-02-21 | 2023-08-24 | 中兴通讯股份有限公司 | 路径规划方法及装置、可读存储介质 |
| CN116793375A (zh) * | 2023-03-26 | 2023-09-22 | 重庆大学 | 一种基于双向搜索决策改进rrt的移动机器人路径规划方法 |
| CN117451070A (zh) * | 2023-11-20 | 2024-01-26 | 燕山大学 | 基于改进rrt*算法的光伏机器人规划算法及规划系统 |
| CN117724496A (zh) * | 2023-12-18 | 2024-03-19 | 国网江西省电力有限公司信息通信分公司 | 基于rrt*的电力巡检机器人路径规划方法 |
Non-Patent Citations (1)
| Title |
|---|
| 成怡;王赟;修春波;: "一种改进RRT算法在路径规划中的应用研究", 控制工程, no. 03, 20 March 2020 (2020-03-20), pages 161 - 165 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN118171725B (zh) | 2024-07-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110509279B (zh) | 一种仿人机械臂的运动路径规划方法及系统 | |
| CN110275528B (zh) | 针对rrt算法改进的路径优化方法 | |
| CN109579854B (zh) | 基于快速扩展随机树的无人车避障方法 | |
| CN106503373A (zh) | 一种基于b样条曲线的双机器人协调装配的轨迹规划方法 | |
| CN112809665B (zh) | 一种基于改进rrt算法的机械臂运动规划方法 | |
| CN110989352A (zh) | 一种基于蒙特卡洛树搜索算法的群体机器人协同搜索方法 | |
| CN114705196B (zh) | 一种用于机器人的自适应启发式全局路径规划方法与系统 | |
| CN110362081B (zh) | 一种移动机器人路径规划方法 | |
| CN110568140B (zh) | 一种基于机器仿生鱼的污染源探查定位方法 | |
| CN118171725B (zh) | 一种改进型机器人路径规划rrt算法 | |
| CN112612275A (zh) | 一种数据库机房复杂路径规划系统及其规划方法 | |
| CN115870990A (zh) | 一种机械臂避障路径规划方法 | |
| CN113359714B (zh) | 基于粒子滤波算法的巡检机器人动态路径规划方法及装置 | |
| CN109743790B (zh) | 一种高动态移动自组织网络拓扑变化感知方法 | |
| Qiao et al. | Sample-based frontier detection for autonomous robot exploration | |
| Zhuang et al. | On-line real-time path planning of mobile robots in dynamic uncertain environment | |
| Gu et al. | Dynamic obstacle avoidance of mobile robot based on adaptive velocity obstacle | |
| CN115454061B (zh) | 一种基于3d技术的机器人路径避障方法及系统 | |
| CN114326720A (zh) | 一种无人艇实时避障方法及系统 | |
| CN114594778A (zh) | 一种基于二分法和路径融合的全局避障路径规划方法 | |
| CN114428807A (zh) | 地面机动目标运动轨迹语义体系构建与认知优化方法 | |
| CN114764250B (zh) | 一种基于拓展引导的非均匀采样运动规划方法 | |
| Yousef et al. | An energy efficient and traffic aware data fusion scheme for water pollution monitoring | |
| CN114115284B (zh) | 一种基于探测并跟随距目标最近且未被访问的间隙的未知迷宫遍历方法 | |
| CN118244698B (zh) | 一种基于隐马尔可夫模型的刀位点与刀轨段在线匹配方法 |
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 |