本发明专利技术提供基于改进RRT算法的机器人路径规划方法，包括：加载初始化栅格地图，确定起始点和目标点并初始化随机树；基于目标导向策略随机采样函数生成随机采样点；获取随机采样点方向和目标点方向的权重值，根据权重值加权运算生成新扩展点；判定新扩展点没有发生碰撞，根据新扩展点更新随机树；判断新扩展点与目标点的距离是否小于第一距离阈值；若是，生成全局路径；若否，返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。该方法能够减少算法采样性问题，保证新扩展点以最大概率接近目标点，避免单一的以指定步长向随机采样点前进生成新扩展节点以及算法路径结果转折点多、转角大的问题，显著提高算法的搜索速度。高算法的搜索速度。高算法的搜索速度。
【技术实现步骤摘要】
基于改进RRT算法的机器人路径规划方法和装置
[0001]本专利技术涉及自主导航
，具体而言，本专利技术涉及一种基于改进RRT算法的机器人路径规划方法、装置、计算机可读存储介质和机器人。
技术介绍
[0002]移动机器人技术近年来在自动驾驶、运输、医疗、农业等领域得到了广泛应用，成为了研究的热点。路径规划算法作为移动机器人的核心内容，要保证移动机器人可以在环境空间内安全行驶，必须规划出一条合理可行的路径。目前移动机器人路径规划算法主要分为全局路径规划和本地路径规划。常见的全局路径规划算法有以Dijkstra和A*为代表的搜索类算法，还有以RRT为代表的采样类算法。结合机器人传感器信息，常见的本地路径规划方法有人工势场法和动态窗口法。
[0003]Dijkstra算法是基于广度优先搜索的路径搜索方法，它采用遍历的方式，导致搜索了大量无用节点，占用内存较大。A*算法在Dijkstra算法的基础上加入了启发式函数，解决了盲目搜索问题，从而大大提高了搜索效率。Dijkstra和A*算法都属于搜索类算法，首次规划全局路径时间长，而RRT(Rapidly
‑
exploring Random Trees，快速搜索随机树)算法则是基于随机采样思想，能够在相对更短的时间内规划处全局路径，但存在单一地以指定步长向随机采样点前进生成新扩展节点的问题，算法路径结果转折点多、转角大且算法的搜索效率低。综上所述，亟需一种改进RRT算法解决传统RRT算法在机器人路径规划过程中转角过大、搜索效率低的问题。
专利
技术实现思路
[0004]为至少能解决上述的技术缺陷之一，本专利技术提供了以下技术方案的基于改进RRT算法的机器人路径规划方法及对应的装置、计算机可读存储介质和机器人。
[0005]本专利技术的实施例根据一个方面，提供了一种基于改进RRT算法的机器人路径规划方法，包括如下步骤：
[0006]加载初始化栅格地图，确定在所述初始化栅格地图中的起始点和目标点并初始化随机树；
[0007]基于预设的目标导向策略随机采样函数生成随机采样点；
[0008]获取随机采样点方向和目标点方向的权重值，根据所述权重值加权运算生成新扩展点；判定所述新扩展点没有发生碰撞，根据所述新扩展点更新所述随机树；
[0009]判断所述新扩展点与所述目标点的距离是否小于第一距离阈值；若是，生成全局路径；若否，返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
[0010]优选地，所述目标导向策略随机采样函数的公式为：
[0011][0012]其中，x
rand
是随机采样点，x
goal
是目标点，p是预设概率值，p(x
rand
)是随机生成概率值。
[0013]优选地，所述根据所述权重值加权运算生成新扩展点采用的加权运算公式为：
[0014]x
new
＝x+k
·
[ω
·
n
rand
+(1
‑
ω)
·
n
goal
]；
[0015]其中，x
new
是新扩展点，x是待延伸生成所述新扩展点的当前位置点，k是指定步长，ω是用于确定所述权重值的权重因子，n
rand
是随机采样点方向单位矢量，n
goal
是目标点方向单位矢量。
[0016]优选地，所述获取随机采样点方向和目标点方向的权重值，根据所述权重值加权运算生成新扩展点之后，还包括：
[0017]判定所述新扩展点有发生碰撞，返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。
[0018]优选地，所述生成全局路径之后，还包括：
[0019]在机器人根据所述全局路径运动过程中，基于动态窗口算法在速度空间范围内采样多组速度；
[0020]基于机器人运动模型对应所述多组速度进行轨迹预测；
[0021]基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径；其中，所述评价函数的值与所述全局路径相关联。
[0022]优选地，所述基于预设的评价函数从预测得到的多个轨迹中筛选出局部最优路径之后，还包括：
[0023]使机器人根据所述局部最优路径运动；
[0024]判断机器人与所述目标点的距离是否小于第二距离阈值；若是，使机器人结束运动；若否，返回所述基于动态窗口算法在速度空间范围内采样多组速度的步骤并继续执行。
[0025]优选地，所述评价函数的公式为：
[0026]G(v,w)＝k[αHeading(v,w)+βGoal(v,w)+γPath(v,w)+σOcc(v,w)]；
[0027]其中，v是机器人运动线速度，w是机器人运动角速度，G(v,w)是评价函数值，k是路径平滑参数，α、β、γ、σ是加权系数，Heading(v,w)表示机器人所处位置与所述目标点的方位角，Goal(v,w)表示机器人预测轨迹末端点到所述目标点的距离，Path(v,w)表示预测轨迹末端点到所述全局路径的距离，Occ(v,w)表示机器人预测轨迹到附近障碍物的距离。
[0028]此外，本专利技术的实施例根据另一个方面，提供了一种基于改进RRT算法的机器人路径规划装置，包括：
[0029]初始化模块，用于加载初始化栅格地图，确定在所述初始化栅格地图中的起始点和目标点并初始化随机树；
[0030]随机采样点生成模块，用于基于预设的目标导向策略随机采样函数生成随机采样点；
[0031]新扩展点生成模块，用于获取随机采样点方向和目标点方向的权重值，根据所述权重值加权运算生成新扩展点；判定所述新扩展点没有发生碰撞，根据所述新扩展点更新所述随机树；
[0032]全局路径生成模块，用于判断所述新扩展点与所述目标点的距离是否小于第一距离阈值；若是，生成全局路径；若否，返回所述基于预设的目标导向策略随机采样函数生成
随机采样点的步骤并继续执行。
[0033]本专利技术的实施例根据又一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现上述的基于改进RRT算法的机器人路径规划方法。
[0034]本专利技术的实施例根据再一个方面，提供了一种机器人，所述机器人包括一个或多个处理器；存储器；一个或多个计算机程序，其中所述一个或多个计算机程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行，所述一个或多个计算机程序配置用于：执行上述的基于改进RRT算法的机器人路径规划方法。
[0035]本专利技术与现有技术相比，具有以下有益效果：
[0036]本专利技术提供的基于改进RRT算法的机器人路径规划方法、装置、计算机可读存储介质和机器人，通过基于设置的目标导向策略随机采样函数生成随机采样点，减少算法采样性问题，在此基础上，进一步将人工本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于改进RRT算法的机器人路径规划方法，其特征在于，包括如下步骤：加载初始化栅格地图，确定在所述初始化栅格地图中的起始点和目标点并初始化随机树；基于预设的目标导向策略随机采样函数生成随机采样点；获取随机采样点方向和目标点方向的权重值，根据所述权重值加权运算生成新扩展点；判定所述新扩展点没有发生碰撞，根据所述新扩展点更新所述随机树；判断所述新扩展点与所述目标点的距离是否小于第一距离阈值；若是，生成全局路径；若否，返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。2.根据权利要求1所述的基于改进RRT算法的机器人路径规划方法，其特征在于，所述目标导向策略随机采样函数的公式为：其中，x
rand
是随机采样点，x
goal
是目标点，p是预设概率值，p(x
rand
)是随机生成概率值。3.根据权利要求1所述的基于改进RRT算法的机器人路径规划方法，其特征在于，所述根据所述权重值加权运算生成新扩展点采用的加权运算公式为：x
new
＝x+k
·
[ω
·
n
rand
+(1
‑
ω)
·
n
goal
]；其中，x
new
是新扩展点，x是待延伸生成所述新扩展点的当前位置点，k是指定步长，ω是用于确定所述权重值的权重因子，n
rand
是随机采样点方向单位矢量，n
goal
是目标点方向单位矢量。4.根据权利要求1所述的基于改进RRT算法的机器人路径规划方法，其特征在于，所述获取随机采样点方向和目标点方向的权重值，根据所述权重值加权运算生成新扩展点之后，还包括：判定所述新扩展点有发生碰撞，返回所述基于预设的目标导向策略随机采样函数生成随机采样点的步骤并继续执行。5.根据权利要求1至4任一项所述的基于改进RRT算法的机器人路径规划方法，其特征在于，所述生成全局路径之后，还包括：在机器人根据所述全局路径运动过程中，基于动态窗口算法在速度空间范围内采样多组速度；基于机器人运动模型对应所述多组速度进行轨迹预测；基于预设的评价函数从预测得到的多个轨迹中筛选出局...
【专利技术属性】
技术研发人员：符强，宁永科，纪元法，孙希延，任风华，严素清，付文涛，黄建华，
申请(专利权)人：桂林电子科技大学，
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。