在移动机器人的研究领域中,路径规划技术一直是研究人员和学者的重点研究方向之一。本文在传统的快速扩展随机树（Rapidly-exploring Random trees,RRT）算法的基础上,针对多障碍物环境和不规则障碍物环境下的移动机器人的路径规划问题...
详细信息
在移动机器人的研究领域中,路径规划技术一直是研究人员和学者的重点研究方向之一。本文在传统的快速扩展随机树（Rapidly-exploring Random trees,RRT）算法的基础上,针对多障碍物环境和不规则障碍物环境下的移动机器人的路径规划问题,提出了两种改进的RRT算法,分别为:在多障碍物环境下的基于变权重势场的改进RRT算法和在不规则障碍物环境下的基于模糊逻辑的改进RRT*算法,并在仿真实验中进行了验证,实验结果表明改进的两种算法能够有效的解决原有算法在路径规划中时间长、采样点数目多、路径不平滑等问题。本文的主要工作如下:首先,为了解决在多障碍物环境中,传统的RRT算法在路径规划时产生的过于随机性的选择路径、收敛速度较慢、避障效果较差等问题,通过采用kd-tree算法和变权重的人工势场法的规划策略,对传统RRT算法进行了改进,提出了一种基于变权重势场的改进RRT算法。该算法采用kd-tree算法将需要规划的空间进行多级分割形成若干部分,解决了RRT算法在路径规划时随机性强和对整个环境进行遍历的问题;然后在原RRT算法的基础上引入了变权重的人工势场法进行启发式搜索,从而解决了RRT算法在路径规划时收敛速度慢和避障效果较差的问题。其次,主要解决在不规则障碍物环境中,RRT*算法在路径规划时产生的搜索效率低和路径不平滑、路径不优等问题。通过采用模糊逻辑的策略,提出了一种基于模糊逻辑的改进RRT*算法。在RRT*算法的基础上加入了模糊逻辑策略,降低了搜索路径的时间,解决了路径不光滑的问题,然后用2-opt算法选取出最优路径,进而解决了RRT*算法在路径规划时产生的搜索效率低和路径不平滑、路径不优的问题。最后,在MATLAB仿真平台中,对本文提出的两种改进算法分别在多障碍物和不规则障碍物的环境下进行仿真实验,仿真结果表明:本文所提出的两种改进算法能够有效的解决传统的RRT算法在移动机器人规划路径过程中所存在一些的问题。
为了解决快速搜索随机树(Rapid-exploration Random tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用kd-tree算法将待规划空间进行多级...
详细信息
为了解决快速搜索随机树(Rapid-exploration Random tree,RRT)算法在机器人路径规划中效率低、复杂度高、趋向性差等问题,提出了一种目标偏向性的改进RRT算法。首先,建立复杂的多障碍物环境模型,并利用kd-tree算法将待规划空间进行多级分割;其次,在RRT算法的基础上引入变权重的人工势场法,算法的主要作用是实现避开障碍物和启发式搜索;最后,实现对RRT算法的改进。通过对改进的RRT算法进行仿真验证,结果表明:该算法缩短了路径规划的时间,减少采样点数目,使生成的路径更加平滑,更适用于机器人在多障碍物环境中的路径规划。
针对经典ICP(iterative closest point)算法迭代速度慢、存在误配准点对、鲁棒性不强的问题,利用距离约束函数、kd-tree加速迭代以及CPC(closest point crirterion)三约束方法对算法进行改进。首先利用点到最近三点组成的面的垂足作为...
详细信息
针对经典ICP(iterative closest point)算法迭代速度慢、存在误配准点对、鲁棒性不强的问题,利用距离约束函数、kd-tree加速迭代以及CPC(closest point crirterion)三约束方法对算法进行改进。首先利用点到最近三点组成的面的垂足作为最近点,对算法进行了分类约束改进,剔除了点落在面外造成虚假配准的情况,从而提高迭代精度;然后通过kd-tree算法加速搜索点对过程,减少算法的运行时间;最后通过对CPC中存在的几何约束对配准点集进行错误点对剔除,增强了自动配准技术的鲁棒性和抗噪声能力。实验结果表明,与经典ICP算法相比,改进后的ICP算法在配准精度和时间上有所提高,而且能够有效剔除部分误配准点对,增强了算法的鲁棒性。
暂无评论