[发明专利]一种基于可视图引导的移动机器人规划方法

权利要求书

1.一种基于可视图引导的移动机器人规划方法，其特征在于，包括可视图引导域生成、改进的快速扩展随机树和路径优化；

所述的可视图引导域生成基于可视图法对障碍物环境进行建模，然后通过最短路径搜索方法获取起点到终点的参考路径，然后生成参考区域即可视图引导域；

所述的改进的快速扩展随机树基于快速扩展随机树规划方法，首先建立无人车规划运动模型，先随机获取采样点，通过8邻域最近邻节点方法确定采样点与随机树中最近的节点，然后根据无人车运动模型判断新节点是否插入随机树；

所述的路径优化基于前面两个部分得到随机树后获取规划路径，然后通过路径简化和路径平滑对初步路径进行优化，以提高规划路径质量；

具体包括以下步骤：

S1.从移动机器人预制环境地图和起始点信息，根据可视图法建立可视图引导区域；步骤S1具体包括：

S11.在路径规划前规划算法需获得环境障碍物信息与规划算法所需的起点位置Pstart和终点位置Pgoal；

S12.根据可视图法规则，可视图法通过将障碍物等效成多边形然后通过多边形然后通过多变形顶点进行路径规划，但是障碍物并非规则多边形，因此首先需对多边形进行膨胀，将不规则多边形膨胀成规则矩形；

S13.根据规则多边形顶点信息，考虑移动机器人体积问题，将顶点进行外延，避免机器人在顶点位置发生碰撞；

S14.根据外延顶点信息建立顶点图，建立过程为将顶点两两进行连线，然后将与障碍物相交的连线去除，留下的顶点与连线组成可视图；

S15.根据起点位置和终点位置与步骤S11-S14所建立的可视图规划出从起点位置到终点位置的引导路径；

S16.根据引导路径外扩形成可视图引导域；

S2.获取引导域后利用改进的RRT算法在引导域内建立随机树；步骤S2具体包括：

S21.以起点位置Pstart作为随机树的根节点；

S22.在引导区域内随机选取一点，成为随机采样点Psample；

S23.根据Psample采样点信息与随机树，通过8邻域最近邻节点查找方法查找Psample与随机树中最近的节点Pnearest；

S24.根据获取的最近邻节点Pnearest，将Pnearest与Psample之间连线并在连线上获取距离Pnearest特定距离d的新采样点Pnew；获取新节点Pnew后，计算Pnew与其父节点的连线与x轴正方向的夹角θnew和Pnew的父节点与其父节点的连线与x轴正方向的夹角θnear之差，即：

△θ＝θnear–θnew

对于不同的机器人来说，机器人的前轮不可能无限转向，具有最大转向角度θmax，因此在插入新的节点时需判断△θ与θmax的大小关系，若|△θ|θmax则新节点无法满足机器人运动学模型，应将此点 放弃；如果△θ满足要求，则将Pnew插入随机树中；

S25.重复步骤S21-S24直到随机树扩展到终点位置，至此，随机树建立完毕；

S26.根据获得的随机树以及起始点信息获取从起点到终点的初始路径；

S3.根据随机树获取从起点到终点的规划路径，通过对规划路径进行路径简化和平滑获取最后路径；步骤S3具体包括：

S31.获得初始路径后首先对路径进行简化，去除多余的节点；

S32.获得简化路径之后，利用B样条曲线函数将折线路径函数化，利用简化路径的节点作为B样条函数的控制节点，然后对B样条函数进行采样，获取最终平滑的路径。

2.根据权利要求1所述的基于可视图引导的移动机器人规划方法，其特征在于，所述的步骤S23具体包括：首先将环境进行栅格化，根据障碍物信息将栅格分为障碍物栅格与空白栅格，当Psample寻找随机树中最近邻节点Pnearest时，先寻找Psample所在栅格以及邻近8个栅格中的空白栅格内的节点，找到其中最邻近的节点作为最近邻节点Pnearest，若所在栅格以及邻近8个栅格的空白栅格无随机树节点，则整个随机树进行搜索获取Pnearest。

3.根据权利要求1所述的基于可视图引导的移动机器人规划方法，其特征在于，所述的步骤S31中对路径进行简化的方法具体包括：首先从起点开始，依次从终点开始判断起点到终点的直接连线是否与障碍物碰撞，若发生碰撞，则从终点前移一个节点继续判断直到与起点重合，此时将起点往后移一个节点，重新依次从终点开始判断；如果连线不与任一障碍物发生碰撞，则将连线之间所有节点去除；

经过路径简化后获得简化路径。