[发明专利]一种基于拓展引导的非均匀采样运动规划方法

说明书

本发明提供了一种基于拓展引导的非均匀采样运动规划方法，包括如下步骤：步骤S1、狭窄通道拓展起点选择：利用混合高斯采样，得到点集和点集，从点集中筛选狭窄通道拓展起点，组成集合；步骤S2、导向阶段初始方向选择；步骤S3、局部采样：将当前拓展点更新为，在为中心，半径为，轴线方向为的半球域内进行均匀采样，采样点集合为；步骤S4、判断是否仍位于狭窄通道内：应用本技术方案可实现在狭窄通道环境中能快速得到最优解，并且无狭窄通道的环境中仍具有较高的性能。

技术领域

本发明涉及移动机器人运动规划技术领域，特别是一种基于拓展引导的非均匀采样运动规划方法。

背景技术

随着现代科学的飞速发展，自动化、智能化水平不断提高，机器人技术也愈发成熟，在工业、服务、医疗等领域得到了广泛应用。但随着应用场景的拓宽，机器所面对的环境也日趋复杂多变。如何在充满不确定性的环境中使机器人安全高效地运作成为了十分重要的课题。运动规划作为机器人应对各类复杂环境完成智能自主作业的关键也因此受到的广泛的关注与研究。

运动规划在移动机器人、工业机械臂、自动驾驶等领域具有重要的地位。它主要根据给定的起始状态和目标状态，在位形空间中得到一条连接起始状态和目标状态的可行路径，进而得到一组不与障碍物发生碰撞的机器人位形序列。目前常见的运动规划方法包括基于搜索的规划方法、基于势场的规划方法和基于采样的规划方法。

为满足一些任务要求，机器人有时需要在狭窄通道中工作。例如，移动机器人在狭长的走廊中通行，机械臂在零件的腔体内部进行焊接工作等。在狭窄通道中规划一条安全可靠的路径对运动规划算法是一个巨大挑战。基于搜索的规划算法主要依赖于对规划空间的网格细分，当环境中存在狭窄通道时，需要增加细分网格的数量以精确地估计位形空间的连通性，但这也将大大增加计算负担。基于势场的规划方法在存在狭窄通道的环境中可能无法找到最优解，需要针对环境设计更复杂的势函数避免陷入局部最优解并实现最优规划，增加了规划问题的解决难度。而基于采样的规划算法不依赖于网格细分并且能够收敛到最优解，在存在狭窄通道的规划问题中可以规避上述问题，有助于提高运动规划的效率。

然而，对于基于采样的规划算法，由于在狭窄通道内采样概率低，狭窄通道区域探索困难等原因，在狭窄通道环境中的规划效率将明显降低。为解决该问题，学界提出了许多改进方法。其中一类方法是识别并探索狭窄通道，该类方法包括Spark PRM和RRV等。SparkPRM通过图的大小和图之间的连通性识别狭窄通道，通过在狭窄通道中构建树以连接不同的图，但所构建的树缺乏拓展引导，效率不高，并且通过狭窄通道后的树需要进行裁剪，这意味着部分构建树的计算在之后的规划当中是无用的，增加了额外计算，不利于算法的后续迭代。RRV通过在拓展失效的采样点附近采样并执行PCA算法识别狭窄通道并进行拓展，但为了探索到探索狭窄通道的入口，需要在非狭窄通道区域额外增加较多采样点，在无狭窄通道的环境会降低算法效率。并且，RRV探索入口时需要采用更小的拓展步距，降低了拓展的效率。总体而言，由于狭窄通道限制了树的拓展，使用该类方法需要增加较多额外计算，并且该类算法主要修改规划算法的拓展阶段，考虑到各类基于采样的规划算法在拓展和重布线等环节间的差异，不易于简便地进行整合。

另一类加快狭窄通道探索速度的方法为偏向采样的方法，该类方法包括高斯采样和桥式测量法等方法。高斯采样通过在无效采样点附近依据高斯分布重新进行采样以提升狭窄通道内采样点密度，但同时也会增加障碍物外侧的采样点密度。桥式测量法相较高斯采样能够使采样点更集中于狭窄通道中，但需要进行更多的碰撞检测，在障碍较多的规划空间内将增加大量计算。偏向采样方法仅更改采样点分布，易于整合入各类基于采样的规划算法中，但由于缺少对狭窄通道的探索，难以使采样点集中在期望区域，往往需要在开阔区域获得较多采样点才能使狭窄通道内采样点密度达到期望数值，使得规划路径通过狭窄通道，不利于规划算法的收敛。