【技术实现步骤摘要】
一种基于RRT的非规则形状移动机器人的路径规划方法
[0001]本专利技术属于移动机器人路径规划
,尤其涉及一种基于RRT的非规则形状移动机器人的路径规划方法。
技术介绍
[0002]路径规划是移动机器人研究领域的一个基本问题,主要目标是在工作环境中寻找一条合适的轨迹以有效避开障碍物。随着路径规划研究的深入,为了满足不同工作环境的需求,提出了许多规划算法,如Dijkstra、A*、细胞分解法、人工势场法、进化算法等。快速探索随机树(RRT)一种基于采样的路径规划算法,适合解决高维空间和复杂约束下的路径规划问题,其基本思想是以产生随机点的方式通过一个步长向目标点搜索前进,有效躲避障碍物,避免路径陷入局部极小值,显示出了高效率和强大的路径搜索能力。
[0003]路径优化是RRT研究的一个重要方向,RRT*是对RRT算法的主要改进,它的基本思想是在探索随机树的生长过程中,通过增加生成随机点的数量、优化节点的连接方式(即父节点选择和重新布线),提高路径的合理性。但是在有运动学约束的情况下,机器人在工作空间的状态包括位置坐标和方向角,随着采样点的增加,重复计算采样点是否满足机器人的运动学约束、并且比较与原路径节点的合理性需要大量的计算,非常耗时,严重制约了路径规划的效率。另一方面,规划的路径是通过采样点连接而成,由于采样点是随机的,这就导致在同样的工作空间,每次规划获得的路径也是随机的,即规划路径不收敛。
技术实现思路
[0004]针对上述技术问题,本专利技术的一个方式的目的之一提出一种基于RRT
【技术保护点】
【技术特征摘要】
1.一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,包括以下步骤:步骤S1、随机路径生成:在随机路径过程中,需要构建工作空间网络和移动机器人形状核矩阵,确定移动机器人运动学约束,首先,分别以移动机器人在工作空间的初始状态S0和目标状态S
g
为初始路径节点,同时生成两棵探索树;然后,采用生成随机采样点,并根据运动学约束、节点状态和路径可行性判断采样点作为路径节点的可行性,通过连续生成随机采样点和路径节点的可行性判断,实现两棵探索树的生长,直到两棵探索树在运动学约束条件下相互连接,得到随机路径;步骤S2、路径优化:基于随机路径上的节点状态转移的路径优化方法,通过节点状态的循环迭代实现路径的优化。2.根据权利要求1所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述构建工作空间网络的步骤具体为:将移动机器人的工作空间沿x方向和y方向均匀划分成网络结构,定义为T,网络T采用规则形状划分;网络T的每个节点T(x,y)包括自由空间和障碍物占据两种状态,自由空间的节点函数值设定为T(x,y)=0,障碍物占据区域的节点函数值设定为T(x,y)=1;对于非规则工作空间,将工作空间以外的区域全部设定为障碍物T(x,y)=1,建立规则的工作空间网络T。3.根据权利要求1所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述构建机器人形状核矩阵的步骤具体为:将移动机器人所占据区域扩展成规则的矩形或正方形区域,并进行均匀划分,构成核矩阵W,网络的形式与工作空间网络T相同,机器人形状核矩阵W放置于工作空间网络T中,节点位置的一一对应;核矩阵W的每个元素包括自由空间和机器人占据两种状态,自由空间的元素值设定为W
θ
(m,n)=0,机器人占据的元素值设定为W
θ
(m,n)=1;当移动机器人处于不同方向角时,通过核矩阵W绕后轮中心坐标(x,y)旋转获得,自由空间的元素值依然设定为W
θ
(m,n)=0,移动机器人占据的元素值设定为W
θ
(m,n)=1。4.根据权利要求1所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述移动机器人运动学约束的要求具体为:假设移动机器人在工作空间中的状态为S=(x,y,θ),根据Ackermann转向约束条件,机器人前轮转向角受机械结构约束,因此,机器人的转弯半径ρ不能小于其最小值,即其中L为前后轮距,为最大前轮转向角。5.根据权利要求1所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述构建初始随机路径的步骤具体为:从初始状态S0和目标状态S
g
同时建立两棵探索树,分别定义为FTree和BTree,其实质为路径节点的集合,FTree的第一个节点为机器人的初始状态S0=(x0,y0,θ0),BTree的第一个节点为机器人的目标状态S
g
=(x
g
,y
g
,θ
g
);随机路径生成包括三个过程:随机采样点的生成、路径节点的连接和两棵探索树的连接。
6.根据权利要求5所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述随机采样点的生成的步骤具体为:设定采样概率a和步长l,0<a<100%,l为正常数;FTree的生长以概率a选择目标状态S
g
=(x
g
,y
g
,θ
g
)作为生长方向,以概率(1
‑
a)朝随机方向生长,定义随机生成点为S
r
=(x
r
,y
r
,θ
r
);延伸探索步长为l,设定采样点为S
s
=(x
s
,y
s
,θ
s
);BTree的生长方式与FTree的不同之处在于:一方面BTree以概率a选择朝向初始状态S0=(x0,y0,θ0),以概率(1
‑
a)朝随机方向生长;另一方面机器人为反向行驶,即倒车。7.根据权利要求6所述的一种基于RRT的非规则形状移动机器人的路径规划方法,其特征在于,所述路径节点的连接步骤具体为:从FTree已经有的节点中找到距离S
r
最近的节点S
p
作为父节点,沿着S
p
S
r
方向延伸探索步长为l,生成采样点为S
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。