一种基于RPP算法改进路径规划.docVIP

一种基于RPP算法改进路径规划 　　摘 要 针对RRT算法缺乏稳定性和收敛速度慢的问题，该文将双向搜索树与RPP算法相结合，提出一种基于RPP算法改进的双向搜索路径规划算法。该算法利用RPP算法构建双向搜索树其中的一棵搜索树，同时以该搜索树扩展得到的新节点作为另一棵搜索树的临时扩展点。该算法采用RPP算法的思想，提高了算法的稳定性；利用随机节点生成函数，有效避免了路径陷入局部极小。通过仿真实验，结果证明了算法的有效性和稳定性。 　　【关键词】动机器人 路径规划 快速扩展随机树（RRT） 双向搜索树 　　近年来移动机器人的研究和开发越来越多的受到了各位学者的高度重视。针对基本RRT算法的不足，国内外学者不断对该算法进行改进来适应应用问题。如为了提高搜索效率，一些学者提出了偏向搜索树、双向搜索树（Bi-RRT）算法等；为了提高搜索路径的稳定性，一些学者提出了ERRT、DRRT、MP-RRT算法等。本文将双向搜索树与RPP算法相结合，提出了一种基于RPP算法改进的双向搜索路径规划算法。本算法利用RPP算法构建从初始点发出的搜索树 ，同时以搜索树 扩展得到的新节点作为另一棵从目标点发出的搜索树 的临时扩展点（这里 和 的构建过程可交换）。该算法采用RPP算法的思想，提高了算法的稳定性；利用随机节点生成函数，有效避免了路径陷入局部极小。 　　1 RPP算法介绍 　　1.1 基本的RRT算法 　　基本的RRT算法的主要思想是：在位姿空间 中，以初始点xinit为根节点（xinit∈Cfree），通过随机采样方式产生叶子节点，在自由位姿空间 中递增构建一棵随机搜索树，直至搜索树上的节点到达目标点或目标区域为止；然后在该搜索树上规划出一条从初始点到目标点的可行路径。 　　1.2 RPP算法 　　由于基本的RRT算法本身具有随机性，导致搜索路径的随机性，一些基于偏向性的改进被提出，如RPP，RRT-GoalBias，RRT-GoalZoom等。 　　RPP算法，将目标点qgoal作为基本的RRT算法中的随机采样点，qrand即 qrand=qgoal。该算法是一种贪婪算法，易导致路径陷入局部极小 　　2 基本的双向搜索树（Bi-RRT）介绍 　　基本的Bi-RRT构建过程如下：在每次迭代中，先扩展其中的一棵搜索树到随机采样点，然后将该搜索树采样得到的新节点作为另一棵搜索树扩展的子目标点；两棵搜索树交替扩展，直至两棵搜索树相遇为止。该算法将规划路径分成两部分，并将两部分同时进行，大大提高了路径的收敛速度。 　　基于Bi-RRT算法，衍生了几个变形算法，如RRT-ExtCon、RRT-ConCon等。RRT-ConCon算法在每次迭代中，不仅将规划更积极地扩展到搜索空间，而且更积极地尝试连接两棵搜索树。 　　3 一种基于RPP改进的双向搜索路径规划 　　3.1 改进的路径规划算法描述 　　双向搜索树虽然比RRT算法收敛更快，但该算法生成的路径仍具有随机性和不稳定性。本文提出一种基于RPP改进的双向搜索路径规划算法，更高了算法的稳定性。改进算法的双向搜索树构建过程如图1所示，虚线箭头方向表示当前节点的扩展方向。改进的算法与原算法相比有两处不同：一是在改进的算法中，搜索树Tinit的临时目标点一直是终点qgoal，另一棵搜索树Tgoal的临时目标点是搜索树Tinit扩展得到的新节点；二是将随机节点生成函数用在避撞条件下。 　　3.2 改进的扩展节点函数 　　基本的扩展函数Connect（T，q）函数，其中T是搜索树Tinit或搜索树Tgoal ，q是自由空间中选择的临时目标点。对于改进的算法，从初始点生成的搜索树T1调用的扩展节点函数为Connect（T1，G）函数，其中 是目标点；从目标点生成的搜索树T2调用的扩展节点函数为Connect（T2，qnew，1）函数，其中qnew，1是搜索树 扩展的一个新节点。 　　3.3 随机节点函数 　　由于在本文算法中，从初始点生成的搜索树 采用了RPP算法中偏向目标点搜索的思想，虽然提高了算法的稳定性，但也容易使搜索路径陷入在一个局部极小。为了避免这个问题，本文在搜索树遇到障碍物时，考虑利用随机节点函数，随机生成一个节点，来躲避障碍物。 　　4 仿真实验 　　为了验证本文算法的有效性，实验环境用Matlab开发，运行于PC机，CPU主频2.40GHz。环境设为 下的矩形区域，障碍物大小任意设置。设置初始点坐标为 ，目标点坐标为 。实验结果证明了算法的有效性和稳定性。 　　5 结语 　　针对双向搜索树缺乏稳定性的问题，本文将双向搜索树和RPP算法相结合，提出了一种基于RPP算法改进的双向搜索路径规划算法。改进的算法将RPP算法运用到双向搜索树中的一棵搜索树 ，同时以搜索树 扩展得到的新节点作为另一棵搜索树 的临