本发明专利技术公开了一种移动机器人路径规划方法、装置及存储介质，通过基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径的路径代价，生成最佳运动路径。生成最佳运动路径。生成最佳运动路径。
【技术实现步骤摘要】
一种移动机器人路径规划方法、装置及存储介质
[0001]本专利技术涉及路径规划领域，具体涉及一种移动机器人路径规划方法、装置及存储介质。
技术介绍
[0002]自从1961年诞生世界第一台工业机器人以来，机器人技术得到飞速发展，并且广泛应用于军事与机械制造业、农业、医疗、物流运输业等民用行业。机器人技术的研发、制造以及应用成为衡量一个国家科技创新能力、国民经济现代化和智能化的重要标志。随着物联网、5G等高新技术的成熟，移动机器人的应用场景也会越来越广阔。
[0003]移动机器人的导航系统是支撑机器人高效完成各项任务的基础，导航系统的关键技术就在于路径规划。机器人在复杂的空间中，利用自身的传感器对周围环境进行探测，构建环境地图信息。通过路径规划技术进行路径的规划与优化，最终通过运动控制达到目标位置完成导航任务。在复杂的火灾现场、地下探测、海底勘探等危险领域，要求移动机器人能够实时规划的路径。
[0004]改进的快速随机搜索树(RRT*)算法通过对状态空间中的采样点进行碰撞检测，避免了对环境的建模，能够有效地解决高维空间和复杂约束的路径规划问题，这类方法的特点是能够快速有效地进行路径规划。基于RRT*的一系列变体算法，存在以下问题：1)采样点的选取方式为在自由空间内随机采样，因此会导致一些不必要的重复采样，增加RRT*的获取路径规划的计算时间；2)获取的路径一般是较为复杂的曲折路径，实际的移动机器人需要得到尽可能平滑的路径，减少机械损耗；3)需要预先获取环境信息，在复杂障碍物的环境下难以适用。
[0005]有鉴于此，建立一种移动机器人路径规划方法和装置是非常具有意义的。
技术实现思路
[0006]针对上述提到现有的路径规划算法在复杂环境下容易难以适用，速度慢等问题。本申请的实施例的目的在于提出了一种移动机器人路径规划方法、装置及存储介质来解决以上
技术介绍
部分提到的技术问题。
[0007]第一方面，本申请的实施例提供一种移动机器人路径规划方法，包括以下步骤：
[0008]S1：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据环境信息被标记为障碍区和自由空间，设定起始点和目标点；
[0009]S2：建立第一层RRT*搜索树，第一层RRT*搜索树以起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在自由空间生成随机采样点，得到初始路径；
[0010]S3：对初始路径进行分段剪枝和平滑处理，将处理后的初始路径作为移动机器人的全局路径进行执行；以及
[0011]S4：建立第二层RRT*搜索树，第二层RRT*搜索树采用反向维护策略以目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化全局路径中剩余路径
的路径代价，生成最佳运动路径。
[0012]在一些实施例中，步骤S2具体包括：
[0013]S21：以概率k1将上一次添加到第一层RRT*搜索树中的节点q
prev
作为参考，通过节点 q
prev
和目标点q
goal
的相对位置缩小随机采样点q
rand
的采样区域；
[0014]S22：通过节点q
prev
与目标点q
goal
的相互关系作为下次取点的参考，选择以节点q
prev
为圆心，节点q
prev
和目标点q
goal
之间的距离为半径的四分之一圆区域为采样点选择区域，得到初始路径。
[0015]通过以上方法可以增强目标点的启发性。
[0016]在一些实施例中，采样点获取方式通过以下公式得到：
[0017][0018]令节点q
prev
和目标点q
goal
的距离为d，式中r的值为(0,d]的随机值，θ为四分之一圆区域的随机值，x
rand
、y
rand
分别表示所述采样点q
rand
的x坐标和y坐标，x
prev
、y
prev
分别表示所述节点q
prev
的x坐标和y坐标。
[0019]在保证随机采样的前提下，有概率k1的机会可以获得具有偏向性的采样点，避免不必要的过度搜索，加快初始路径的获取。
[0020]在一些实施例中，步骤S3具体包括：
[0021]S31：选取初始路径中所有节点的中点位置的节点，以中点位置的节点将初始路径分为两段，分别对两段节点进行贪婪剪枝处理，去除冗余节点；
[0022]S32：对剪枝后的初始路径采用牵引B样条策略进行平滑处理。
[0023]采用分段剪枝策略可以去除初始路径的冗余节点，采用牵引B样条策略可以平滑路径。
[0024]在一些实施例中，步骤S32具体包括，在原有节点P
i-1
，P
i
，P
i+1
形成的三次B样条曲线的基础上加入新控制节点P
ins1
和P
ins2
，通过以下公式对剪枝后的初始路径进行平滑处理：
[0025][0026]其中，式中θ
i
为P
i-1 P
i
与P
i P
i+1
的夹角，η为与平滑曲线的曲率的取值成反比的常数值。
[0027]平滑曲线的曲率与η的取值成反比，即η越小，曲线越贴近原始路径。η可以根据实际无人车辆尺寸以及安全距离进行调整。
[0028]在一些实施例中，步骤S4具体包括：
[0029]S41：以目标点q
goal
作为第二层RRT*搜索树的根节点进行扩展，获得剩余路径的路径代价；
[0030]S42：利用初始路径提供的启发信息，以概率k2将初始路径节点作为参考节点q
ref
，通过参考节点q
ref
与当前移动机器人坐标的相对位置获取采样点；
[0031]S43：在第二层RRT*搜索树的采样点的重新连线过程中通过基于节点间的欧式距离和轨迹角度建立代价函数，生成最佳运动路径。
[0032]第二层RRT*搜索树在第一层RRT*搜索树的基础上采用反向维护策略，并通过引入改进的代价函数，不断优化剩余路径的路径代价，获得更加准确的规划路径。
[0033]在一些实施例中，代价函数通过以下公式计算：
[0034][0035]λ
d
+λ
θ
＝1；
[0036]λ
d
,λ
θ
∈[0,1]；
[0037]其中，为新节点q
new
与节点q
i
之间的欧氏距离，d
max
与d
min
分别表示q
new
与附近节点间的最大和最小距离，为新节点q<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种移动机器人路径规划方法，其特征在于，包括以下步骤：S1：基于移动机器人车载激光雷达获取的环境信息构建环境地图，进行栅格地图建模，每个栅格根据所述环境信息被标记为障碍区和自由空间，设定起始点和目标点；S2：建立第一层RRT*搜索树，所述第一层RRT*搜索树以所述起始点为根节点进行搜索，并采用基于反馈的目标偏向的采样策略在所述自由空间生成随机采样点，得到初始路径；S3：对所述初始路径进行分段剪枝和平滑处理，将处理后的所述初始路径作为所述移动机器人的全局路径进行执行；以及S4：建立第二层RRT*搜索树，所述第二层RRT*搜索树采用反向维护策略以所述目标点为根节点进行搜索，并通过基于欧氏距离和轨迹角度构建的代价函数优化所述全局路径中的剩余路径的路径代价，生成最佳运动路径。2.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S2具体包括：S21：以概率k1将上一次添加到所述第一层RRT*搜索树中的节点q
prev
作为参考，通过所述节点q
prev
和所述目标点q
goal
的相对位置缩小所述随机采样点q
rand
的采样区域；S22：通过所述节点q
prev
与目标点q
goal
的相互关系作为下次取点的参考，选择以所述节点q
prev
为圆心，所述节点q
prev
和所述目标点q
goal
之间的距离为半径的四分之一圆区域为采样点选择区域，得到所述初始路径。3.根据权利要求2所述的移动机器人路径规划方法，其特征在于，所述采样点获取方式通过以下公式得到：令所述节点q
prev
和所述目标点q
goal
的距离为d，式中r的值为(0,d]的随机值，θ为四分之一圆区域的随机值，x
rand
、y
rand
分别表示所述采样点q
rand
的x坐标和y坐标，x
prev
、y
prev
分别表示所述节点q
prev
的x坐标和y坐标。4.根据权利要求1所述的移动机器人路径规划方法，其特征在于，所述步骤S3具体包括：S31：选取所述初始路径中所有节点的中点位置的节点，以所述中点位置的节点将所述初始路径分为两段，分别对两段节点进行贪婪剪枝处理，去除冗余节点；S32：对剪枝后的所述初始路径采用牵引B样条策略进行平滑处理。5.根据权利要求4所述的移动机器人路径规划方法，其特征在于，所述步骤S32具体包括，在原有节点P
i-1
，P
i
，P
i+1
形成的三次B样条曲线的基础上加入新控制节点P
ins1
和P
ins2
，通过以下公式对所述剪枝后的初始路径进行平滑处理：其中，式中θ
i
...
【专利技术属性】
技术研发人员：齐洁，赵国霖，孙海信，
申请(专利权)人：厦门大学，
类型：发明
国别省市：
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。