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

本发明专利技术提供一种基于RRT的非规则形状移动机器人的路径规划方法，包括以下步骤：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和目标状态为初始路径节点，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；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，获得稳定收敛的最短路径。的最短路径。的最短路径。

【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的非规则形状移动机器人的路径规划方法，通过两棵探索树仅在机器人的运动学条件下生长，在生长过程中，不考虑路径优化问题，有效提高了初始路径的探索效率；本专利技术的一个方式的目的之一是在运动学约束条件下，提出一种路径节点状态转移方法，可以将随机路径优化到最短路径；本专利技术的一个方式的目的之一是路径节点状态转移仅仅针对随机路径上的节点，而不对非路径上的采样节点进行运算，极大的减小了优化计算工作量，优化路径具有很好的收敛性。本专利技术的一个方式的目的之一通过构建核矩阵描述机器人的形状特征，并采用卷积计算分析机器人形状和周围障碍物的交互作用，所提出的方法可以适用于任意形状的移动机器人路径规划。
[0005]注意，这些目的的记载并不妨碍其他目的的存在。本专利技术的一个方式并不需要实现所有上述目的。可以从说明书、附图、权利要求书的记载中抽取上述目的以外的目的。
[0006]本专利技术提出一种基于RRT的非规则形状移动机器人的路径规划方法，不同于RRT*算法，是一种快速的随机路径规划算法，并在有运动学约束的条件下对随机路径的节点进行状态转移，获得稳定收敛的最短路径。
[0007]本专利技术将工作空间均匀划分成网络结构，采用核矩阵描述机器人的形状特征，并通过核矩阵旋转描述机器人在不同方位角的形状特征，考虑机器人形状和在工作空间内障
碍物形状的交互作用，通过卷积计算得到机器人在工作空间(x，y，θ)的状态是否可行；随机路径生成中，从初始状态和目标状态同时生成两棵探索树，采用双向RRT探索路径节点，新节点只需要满足机器人的运动学特征和(x，y，θ)状态可行两个条件，两颗探索树同时相向生成路径节点，并提出了在严格的运动学约束下进行连接，以最快速度找到到达目标的初始随机路径；针对随机路径上的节点，提出满足运动学约束的节点状态转移方法，通过迭代计算，使得初始随机路径向最短路径逐步收敛。
[0008]本专利技术是通过以下技术手段实现上述技术目的的。
[0009]一种基于RRT的非规则形状移动机器人的路径规划方法，包括以下步骤：
[0010]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；
[0011]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。
[0012]上述方案中，所述构建工作空间网络的步骤具体为：
[0013]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；
[0014]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；
[0015]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。
[0016]上述方案中，所述构建机器人形状核矩阵的步骤具体为：
[0017]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；
[0018]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；
[0019]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。
[0020]上述方案中，所述移动机器人运动学约束的要求具体为：
[0021]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。
[0022]上述方案中，所述构建初始随机路径的步骤具体为：
[0023]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。
[0024]进一步的，所述随机采样点的生成的步骤具体为：
[0025]设定采样概率a和步长l，0<a<100％，l为正常数；
[0026]FTree的生长以概率a选择目标状态S
g
＝(x
g
，y...

【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
...

【专利技术属性】
技术研发人员：赵湛，刘思思，胡欣宇，魏俊，
申请(专利权)人：江苏大学，
类型：发明
国别省市：