复杂三维环境中的路径规划方法(翻译)分解.pdfVIP

复杂三维环境中的路径规划方法 晏飞 刘一莎 肖继忠 摘要：本文介绍了在复杂环境中的无人机（UAV）三维路径规划算法。在该算法 中，环境是由八叉树算法分为体素。为了满足 UAV 的安全要求，自由空间被自 由体素，其具有足够的空间余量为 UAV 穿过表示。边界框数组在整个三维空间 来评价自由体素连通创建。概率路线图方法（PRM）由边界框阵列中随机抽样改 进，以确保路线节点的在 3D 空间中的更有效的分配。根据连接评估，路线图是 用来通过使用 A *算法来规划的可行路径。实验结果表明，该算法在复杂的 3D 环境有效。 关键词：3D 路径规划，复杂的环境中，无人机（UAV），概率路线图法（PRM）， 八叉树 1 引言 近年，无人机（UAV）正被越来越多地用于许多领域，如消防[1]，救灾难度太 大或危险的任务[2]，搜救[3]，目标跟踪[4]，以及面向空间的应用[5]。对于这些应用， 所述 UAV 应计划在其工作空间中的非碰撞路径的能力。路径规划的中心问题是 根据一些规定诸如能源，时间和安全性，以产生从初始点到目标点与障碍物的环 境中的无冲突路径和优化路径[6]。 规划算法已经开发几十年。在[7]中，波前算法被用作路径规划三维正态分布 变换（3D-NDT）地图。这个算法是直观的，易于实现，但它会无法找到在复杂 环境中的最佳路径。在另一方面，A*（见[8-10]）是找到一个给定的起始节点到目 的节点的最低成本路径最佳优先启发式搜索算法。不幸的是，随着工作空间变得 越来越大，所花费的时间以指数寻找最优路径的增加[5]。路线图通常适用于帮助 这些启发式搜索算法，这往往是在配置空间表示。各种路线图的方法已被用于如 能见度线[11]，虚拟力[9]，迅速-探索随机树木[12，13]和概率路线图方法（PRM）[14]。 路径规划将在 3D 环境中，这是特别是在复杂的环境中的一大挑战来进行。 通常用于高维配置空间的方法是基于基于采样的方法，包括在 PRM [15,16]和它的 变体。PRM 有两个阶段：一个学习阶段和一个查询相[15]。在学习阶段，一个数 据结构被称为路线图被构造为给定的场景。该路线图是一个无向图 R ? (N, E) 。 N 为一组节点，这是随机无冲突配置空间采样点。有前途的节点对被选择在图 表和一个本地筹办被用于尝试这种安排有边缘连接。如果它们可以被连接，则该 边缘加到大肠杆菌好的图形?应覆盖自由空间很好。在查询阶段中，路径通常是 由路径查询诸如 Dijkstra 算法或 A*找到。 基本 PRM 的瓶颈在于它在寻找通过狭窄的通道路径很麻烦。使太少节点被 放置在狭窄的通道，这是由于在自由空间中的随机抽样的节点。一个解决方案是 增加接近障碍物边界[17，18]的配置。虽然这种方法增加取样狭窄的通道节点的概 率，在狭窄的通道以外的许多节点不改善路线图的连通性帮助。Hsu 等人[19，20] 提出一种混合策略：桥试验在狭窄的通道施加增加采样密度，它也使用了在开放 的自由空间均匀的采样策略。在文献[21]中，作者用一个慵懒的显著边缘算法在尚 未导航区域来放置新样本改善慵懒的概率路径规划。在这些方法中，环境的障碍 是由几何模型呈现。但在实践中，实际的实验环境不能由几何模型描述。对于复 杂的 3D 场景，最流行的表示是三维点群[22-27]或体素[28，29]。当使用基本 PRM 或 变种以上这些 3D 表示所提到的，碰撞检查是因为障碍物（点或体素），数量庞 大沉重的计算负担。为了解决这个问题，细胞分解是一种可以把自由空间到子空 间的好选择。该方法是由伯格和奥维马斯[30]为指导采样向现场最有趣的地区分离 大开放的区域[31]。提出了完整的运动计划，结合近似细胞分解与 PRM 混合的方 法。但在这些方法，碰撞检查用于获得路线图构成的无碰撞的本地路径也复杂 3D 环境的一个大问题。 在本文中，我们提出了基于三维复杂环境下的无人机路径规划 PRM 方法的 算法。环境可以通过激光扫描仪捕获的