基于狹窄通道識別的機器人路徑規(guī)劃研究.pdf

1、機器人路徑規(guī)劃是移動機器人研究領域中的一個重要課題，經(jīng)過幾十年的研究，涌現(xiàn)出一批高效的算法:如路標法、基于柵格劃分的A*算法、可視圖法、勢場法等。但當配置空間維數(shù)隨機器人自由度增加而增加時，上述算法的性能急劇下降，甚至導致維數(shù)災難。基于隨機采樣的路徑規(guī)劃在上世紀九十年代應運而生，致力于解決多自由度機器人的路徑規(guī)劃難題。其通過對配置空間的隨機快速采樣獲得配置空間的連通性。近年來，隨機性方法廣泛應用于工作環(huán)境中存在障礙物的路徑規(guī)劃:如隨機路

2、標法，快速搜索隨機樹法等，對高維數(shù)配置空間中的路徑規(guī)劃非常有效。然而當機器人工作空間中存在較多障礙物或者未知位置的狹窄通道時，這些方法的運算時間就特別長，甚至很難找到合適的路徑。針對這一問題，本文在對工作環(huán)境中狹窄通道進行識別的基礎上，進行了相關路徑規(guī)劃方面的研究，主要包含以下幾個方面的內(nèi)容:
　　 (1)提出了星形試驗法，提高了算法對狹窄通道的識別能力，避免路標分布于障礙物的凹陷死角內(nèi)。在此基礎上，對均衡采樣、高斯采樣、橋試驗

3、法以及本文所提出的星形試驗法等四種隨機路標采集方法的狹窄通道識別性能進行分析，并以仿真驗證了星形試驗法的有效性。
　　 (2)提出基于星形試驗法的三樹RRT算法，用于求解具有狹窄通道的多自由度機器人路徑規(guī)劃問題。通過星形試驗法發(fā)現(xiàn)的標記配置點啟發(fā)式地引導樹擴展算法在狹窄通道中進行更多的采樣，從而使RRT樹既能夠覆蓋開闊的自由配置空間，又能夠獲得良好的連通性。算法具有簡單、通用的特點，并通過大量仿真驗證了該算法的性能比雙樹結構的R

4、RT-CONNECT算法更高。
　　 (3)針對狹窄通道中路標采集難的問題，提出了基于狹窄通道識別的混合路標規(guī)劃法。新提出的路徑規(guī)劃器的關鍵策略在于星形試驗法，它能提高狹窄通道中的路標密度以改善路標連接樹的擴展速度。星形試驗法可以看作是一種過濾狹窄通道的工具，在全局范圍內(nèi)篩選出狹窄通道區(qū)域，在標識出的區(qū)域內(nèi)使用均衡采樣器作局部的路標采集，提高局部區(qū)域的路標密度。在全局和局部交替采集路標，最終使路標的分布理想化，減少了路標規(guī)劃所必

5、需的路標總數(shù)，進而加快了連接樹的擴展速度。
　　 (4)提出了基于地圖學習的多任務規(guī)劃算法，利用高斯采樣器生成三分之一的樣本用以檢測障礙物，用星型試驗法生成三分之一的樣本用以檢測配置空間中的狹窄通道，同時在全空間均勻采樣三分之一的樣本點。通過混合采用三種采樣方式，學習環(huán)境地圖。在此基礎之上，提出了一種改進的擴展隨機樹算法，使得算法即能夠探索開闊的自由空間，也能有效地識別配置空間中的狹窄通道，同時使得機器人能夠在這個框架下完成多任