基于改进RRT算法的温室移动机器人路径规划研究.pdfVIP

摘要

随着智能农业的快速发展，农业移动机器人在提升作业效率和精准度方面发

挥着至关重要的作用，而路径规划作为其自主导航的核心技术，直接影响着机器

人的运行效率和路径质量。针对传统路径规划算法在温室复杂环境中存在路径质

量较差、易陷入局部最优等问题，提出了一种基于改进快速扩展随机树（RRT）

算法的全局路径规划方法，并结合蚁群优化算法（ACO）以解决多目标点路径规

划问题。

为了克服传统RRT算法在温室环境中的局限性，如路径冗余和随机性较强

等，提出了一种基于地图复杂度评估的AO-RRT算法。该算法通过引入地图复杂

度分析，提高了在复杂环境下的适应性；结合终点直连和动态步长调整策略，优

化了节点扩展过程，提升了路径搜索效率；并采用祖结点重连与双向剪枝技术，

有效减少了路径冗余，生成了更加平滑和安全的路径。此外，三次样条插值曲线

被引入以进一步优化生成的路径，提升了路径的平滑性，减少了急转弯现象，从

而提高了机器人的行驶稳定性。

针对温室中的搬运、巡检等多目标点任务需求，进一步将AO-RRT算法与蚁

群优化算法结合。首先，利用改进的RRT算法生成各目标点间的无碰撞路径，并

构建代价矩阵；随后，基于蚁群优化算法对目标点的访问顺序进行全局优化，借

助启发因子和信息素更新机制，降低路径代价。实验结果表明，该方法能够有效

平衡路径规划的全局最优性与局部优化，提升机器人执行多目标任务的效率，并

适用于多种复杂环境。

AO-RRT算法在ROS系统中进行了仿真验证，使用Gazebo进行温室环境建模，

并通过Rviz进行路径可视化。在仿真过程中，复杂的温室场景充分考验了路径

规划算法的鲁棒性。实验结果表明，AO-RRT算法能够高效地在温室环境中生成

高质量路径，成功避开障碍物并有效避免路径冗余。此外，算法在仿真中融合了

TEB（TimedElasticBand）算法，进一步优化了路径的平滑性和动态性，确保

了路径的稳定性，为温室环境中的实际应用提供了坚实的技术支持。

AO-RRT算法及其与蚁群优化融合的多目标路径规划方法，不仅提高了温室

移动机器人的路径平滑性与规划效率，还优化了多目标点任务的执行顺序。实验

验证表明，该方法在路径质量、计算效率和任务执行方面均具有良好的适应性与

实用性，能够广泛应用于温室环境下的采摘、巡检和搬运等任务。

关键词：温室；移动机器人；路径规划；RRT；蚁群优化；ROS

万方数据

Abstract

Withtherapiddevelopmentofintelligentagriculture,agricultural

mobilerobotsplayacrucialroleinenhancingoperationalefficiency

andprecision.Pathplanning,asthecoretechnologyforautonomous

navigation,directlyaffectstheperformanceandqualityofrobotic

motion.Toaddressthelimitationsoftraditionalpathplanning

algorithms—suchaspoorpathqualityandsusceptibilitytolocal

optimaincomplexgreenhouseenvironments—thispaperproposesaglobal

pathplanningmethodbasedonanimprovedRapidly-ExploringRandomTree

(RRT)algorithm,integratedwiththeAntColonyOptimization(ACO)

algorithmformulti-goalpathplanningtasks.

Toovercomeissuessuchasredundancyandexcessiverandomnessin

traditionalRRTalgorithms,weproposeanA