[发明专利]一种非均匀采样FMT*的移动机器人路径规划方法

说明书

本发明提出一种非均匀采样FMT*的移动机器人路径规划方法，包括如下步骤：步骤S1、地图初始化；步骤S2、建立广义Voronoi图，即GVG；步骤S3、寻找初始化路径并实现最优路径与初始路径同伦；步骤S4、安全隧道建立；步骤S5、非均匀采样；步骤S6、构造采样集合、探索集合、已探索集合；步骤S7、搜索采样集合的节点，组成集合；步骤S8、探索中点组成集合；步骤S9、计算所有点到点的代价，实现算法的渐进最优；步骤S10、判断与是否有障碍物并针对结果进行处理；步骤S11、将所需的Z从放入；步骤S12、若Z是是目标点则返回路径解，若否则返回步骤S7继续；步骤S13、机器人对可行路径解进行处理；本发明算法收敛速度快于FMT*，能快速得到最优解，在单查询规划中具有优势。

技术领域

本发明涉及移动机器人路径规划技术领域，尤其是一种非均匀采样FMT*的移动机器人路径规划方法。

背景技术

现如今智能机器人为人类提供的服务都将自动导航作为机器人的重要功能之一，如自动驾驶、空中无人机和服务机器人等领域。而路径规划作为其导航的主要部分之一，旨在让对象在规定的运行空间范围内找到一条从起始目标到终止目标的无碰撞安全路径，即为机器人在复杂环境中运动寻找无碰撞路径，同时要优化机器人的运动路径，使其尽可能达到更短、更平滑的要求。因此，智能机器人和无人操作技术的发展在很大程度上取决于能否更快地为运动规划问题提供切实有效的方案。

路径规划发展迅速，已产生许多规划算法。基于采样的算法，如快速探索随机树(RRT)，概率路线图(PRM)，以及它们的变体，因其能够有效地解决约束动力学和高维空间规划问题而越来越受欢迎。在许多应用领域，除了生成可行的解决方案路径之外，还需要获得高质量的求解路径，因此具有渐近最优性的方法，如RRT*和PRM*被提出，使得采样算法成为应用最广泛的算法之一，然而，采样算法的一个局限性是它们收敛到最优解的速度缓慢，需要大量的迭代过程或样本，渐近地找到规划问题的最优解。在实际应用中，如无人机或移动机器人，为了节省时间或电源，需要快速计算一条较短的路径来确保工程的实施。

样本偏置是一种常见的方法，方法试图通过偏置手段将采样点分布在有利的区域来进行探索。例如，Rodriguez,S.等人提出的Obstacle-Based RRT或者K.Cao等人提出的基于混合偏置的PRM是利用障碍物的信息，或在障碍物附近增加采样概率来指导采样过程，主要应用于环境存在狭窄通道的问题，但这只提高了计算效率，确保算法的成功率。X.Zhao等人提出的混合高斯模型进行偏差采样，可以有效地利用局部空间，同时保持全局路径规划的效率。结合启发式的样本偏置控制采样区域，对样本进行启发式估计进行筛选；例如A.Yershova andL.Jaillet等人的Dynamic-Domain RRTs及其自适应版本通过在障碍物近处形成小区域来进行局部采样，指导算法摆脱陷阱问题，然而，RRT的使用意味着该解决方案几乎肯定是次优。

基于局部采样对配置空间中的有效轨迹进行采样也是常见方法，InformedAnytime Fast Marching Tree(IAFMT*)根据寻找到的初始路径来构造椭圆启发式区域，一旦找到初始解决方案，算法将在区域内继续迭代或采样，这增加了改进当前路径的概率，并收缩区域范围，从而收敛路径到最优，能够有效的提高FMT*算法的收敛速度，但当路径弯曲复杂时，形成的椭圆区域大于地图，那么区域无法收缩导致无法起到提速的作用。基于Motion Planning using Lower Bounds(MPLB)[26]的FMT*上，通过求解一系列独立的问题来实现，并且只有在子问题解决后才能返回更好的解，同时减少最近邻查询来减少时间的损耗，提高算法收敛速度。Safety certificates利用每个采样点与障碍物形成的自由区域，来减少区域中样本的碰撞检测次数，随着样本覆盖整个空间，碰撞检测次数将为零，从而提高算法的计算效率。