一种区域引导和密度约束的RRT-STAR多阶段优化方法技术

本发明专利技术公开了一种区域引导和密度约束的RRT

【技术实现步骤摘要】
一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法


[0001]本专利技术涉及一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法，主要涉及机器人路径规划领域。

技术介绍

[0002]机器人路径规划(RobotPathPlanning)指的是机器人依据最短路径、最短时间、安全性或移动代价最小等指标，在运动空间中找到一条由起点至目标点且能有效避开中间障碍物的最优或相对最优的路径。
[0003]路径规划算法包括全局路径规划算法和局部路径规划算法。全局路径规划是指根据已知的环境信息，找出一条从起点到目标点的路线。局部路径规划是指在未知的环境中机器人根据传感器的信息找出下一步需到达的位置，直到达到目标点。局部路径规划算法包括人工势场算法，动态窗口算法(DWA)算法，向量直方图算法(VFH)等，全局路径规划算法包括可视图法、自由空间法、A*算法、快速随机搜索树(RRT)、智能仿生规划算法等[9
‑
12]。对于全局路径规划的前三种算法，必须对整个地图进行图形化处理，当环境发生变化时需要对整张地图重新进行图形化处理，对程序来说时间复杂度较高。RRT算法无需对整张地图进行图形化或结构化处理，该算法通过在整个地图随机采样来不断接近目标点，采样点序列可以较快布满整个地图，进而快速找到目标点，低维空间和高维空间均适用，因此RRT算法被广泛用于机器人路径规划。在复杂地图下，RRT算法并不能快速找到目标，相反会耗费很长时间，并且RRT算法找到的路径一般不是最优路径，因此Karaman S等人提出RRT*算法对RRT算法进行了优化，在RRT算法找到起点到目标点的路径之后，通过重选父节点和重布线两个环节优化路径，使最终的路径能够很大程度上逼近最优路径。然而，对于较为复杂的地图RRT*算法会产生大量冗余节点，直接导致其收敛速度大幅度降低，同时RRT*并未对采样过程进行优化，对于特殊地形，比如回绕型地图，Y字型地图等，算法收敛速度慢，搜索效率低，转折大。在移动机器人路径规划中，原始快速扩展随机树算法(RRT)为保证概率完备性，对于较为复杂或者特殊地形算法收敛时间长，且产生大量冗余节点，严重拖慢RRT*算法重选父节点与重布线两个过程。

技术实现思路

[0004]针对以上现有技术的不足，本专利技术提出一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法，RRT*LN算法消耗时间平均减少80.7％，节点个数平均减少72.05％。特别是对于较为复杂地图，改进算法具有明显优势。
[0005]为达到上述目的，本专利技术的技术方案是：包括采样点密度约束、区域限制、采样区域引导和目标偏置与路径平滑。
[0006]优选地，所述采样点密度约束，对于地图上一定面积范围内的采样点个数进行限制，以避免同一面积上进行多次重复的采样，造成采样点的堆叠，进而减少冗余节点的个数，具体如下：
[0007]通过栅格化的方式将地图划分成许多相同大小的单元格C
i
，每一个单元格具有独立的单元格值V
i
，V
i
与单元格面积S共同确定当前单元格的采样密度ρ；
[0008]定义一个二维数组，用来保存栅格地图中每一个单元格的值，并在最开始对其初始化。根据地图的大小来调整单元格值的大小；单元格值越小，地图分辨率越高，采样点密度越大；格子值越大，地图分辨率越小，采样点密度越小；
[0009]格子上每存在一个新的采样点，则其值加1；设定一个阈值N
T
用于控制采样点的个数，每个单元格允许的允许样点个数满足约束样点关系；单元格上采样点约束关系如下：
[0010][0011]n≤N
T
[0012]其中，N是单元格总个数，n是每个单元格允许的样点个数。
[0013]优选地，所述区域限制：
[0014]一阶段采样区域限制：RRT*算法搜索从起点到目标点可行路径的过程；
[0015]RRT*LN算法采取以点到直线的距离来确定区域大小。设起点与目标点的直线为l0，起点与目标点的斜率k0，根据起点或目标点坐标与斜率k0计算其点斜式方程，对于每一个新节点q
new
根据其坐标值，由点到直线距离方程，计算出q
random
到直线l0的距离d；通过在程序采样开始之前初始化一个距离阈值d
T
，所有的采样点均必须满足d≤d
T
，得到采样范围自然满足上面所有情况，包括不规则的形状；直线以及距离公式如下。
[0016][0017]y＝k0x+b
ꢀꢀ
(7)
[0018][0019]其中，x
random
是q
random
的x坐标，y
random
是q
random
的x坐标；
[0020]二阶段采样区域限制：RRT*算法根据已找到从起点到目标点的可行路径，限制重选父节点与重布线时采样区域：
[0021]设起点到终点任意连通的路径上所有的节点组成的集合为P
E
，其总节点个数为X
E
，最优路径上所有节点组成的集合为P
B
，其总节点个数为X
B
，满足X
E
≥X
B
；对于当前可连通路径的任意节点N
i
∈P
E
，i∈[0，X
E
]，该节点到最优路径P
B
的距离d
i
≤d
max
+d0，则当前路径上所有节点到最优路径的距离之和为d
total
，满足X
E
d
i
≤d
total
，可以看出d
total
越小越接近最优路径；可以计算出当前路径上所有节点中到最优路径距离最大的节点对应的距离d
max
，以此距离为阈值点，下一次采样点到最优路径的距离应当小于d
max
+d0；每一次的阈值更新都伴随着所有节点距离之和d
total
的减小，故新的路径会不断接近最优路径；约束关系包括：
[0022][0023][0024][0025]2s≤d0[0026]其中，s是随机树的生长步长，是P
E
中的某一个节点，是P
B
中的某一个节点。
[0027]优选地，所述采样区域引导：根据前一次新节点qnew与终点的连线来计算新的直线方程，下一个新节点的采样区域又由这次的新节点与目标点的连线来计算，以此类推；同时设置概率导向，以5％的概率或更低来使当前采样点的范围的阈值d
T
最大化到地图对角线的长度。
[0028]优选地，所述目标偏置与路径平滑：
[0029]目标偏置：给目标点设置以目标点为圆心，半径为r的圆形范围，当采样点进入的圆本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法，其特征在于，包括采样点密度约束、区域限制、采样区域引导和目标偏置与路径平滑。2.根据权利要求1所述的一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法，其特征在于：所述采样点密度约束，对于地图上一定面积范围内的采样点个数进行限制，以避免同一面积上进行多次重复的采样，造成采样点的堆叠，进而减少冗余节点的个数，具体如下：通过栅格化的方式将地图划分成许多相同大小的单元格C
i
，每一个单元格具有独立的单元格值V
i
，单元格值与单元格面积S共同确定当前单元格的采样密度ρ；定义一个二维数组，用来保存栅格地图中每一个单元格的值，并在最开始对其初始化；根据地图的大小来调整单元格值的大小；单元格值越小，地图分辨率越高，采样点密度越大；格子值越大，地图分辨率越小，采样点密度越小；格子上每存在一个新的采样点，则其值加1；设定一个阈值N
T
用于控制采样点的个数，每个单元格允许的允许样点个数满足约束样点关系；单元格上采样点约束关系如下：n≤N
T
其中，N是单元格总个数，n是每个单元格允许的样点个数。3.根据权利要求1所述的一种区域引导和密度约束的RRT
‑
STAR多阶段优化方法，其特征在于：所述区域限制：一阶段采样区域限制：RRT*算法搜索从起点到目标点可行路径的过程；RRT*LN算法采取以点到直线的距离来确定区域大小；设起点与目标点的直线为l0，起点与目标点的斜率k0，根据起点或目标点坐标与斜率k0计算其点斜式方程，对于每一个新节点q
new
根据其坐标值，由点到直线距离方程，计算出q
random
到直线l0的距离d；通过在程序采样开始之前初始化一个距离阈值d
T
，所有的采样点均必须满足d≤d
T
，得到采样范围自然满足上面所有情况，包括不规则的形状；直线以及距离公式如下；y＝k0x+b
ꢀꢀꢀꢀ
(7)其中，x
random
是q
random
的x坐标，y
random
是q
random
的x坐标；二阶段采样区域限制：RRT*算法根据已找到从起点到目标点的可行路径，限制重选父节点与重布线时采样区域：设起点到终点任意连通的路径上所有的节点组成的集合为P
E
，其总节点个数为X
E
，最优路径上所有节点组成的集合为P
B
,其总节点个数为X
B
，满足X
E
≥X
B
；对于当前可连通路径的任意节点N
i
∈P
E...

【专利技术属性】
技术研发人员：张伟，吴天文，苏雨，顾雨，陈虹好，王雨凝，袁堂聚，
申请(专利权)人：重庆三峡学院，
类型：发明
国别省市：