[发明专利]一种双向动态生长的Informed-RRT*路径规划方法

说明书

本发明公开了一种双向动态生长的Informed‑RRT*路径规划方法，包括以下步骤：根据障碍物地图建模并二值化，确定起始点和目标点，设定初始参数；根据障碍物地图初始化两棵随机树；利用双向搜索融合P概率扇形约束生成采样点；利用生长转角偏置确定节点扩展方向；利用变步长生长确定节点动态扩展步长，产生新的扩展节点；进行碰撞检测并更新主、副树图集，输出初始路径；确定动态椭圆采样范围；在动态椭圆区域利用动态生长来产生新的扩展节点；规定范围内为新的扩展节点重新寻找父节点并重新连接，寻找代价最小路径。本发明可提高初始路径的生成效率，增加目标导向性和路径规划容错率，加快算法收敛速度，解决了因环境复杂而导致路径规划效率低下的问题。

技术领域

本发明涉及机器人路径规划领域，尤其涉及一种双向动态生长的Informed-RRT*路径规划方法。

背景技术

随着社会的快速发展，智能机器人在智慧工厂、智能巡检、家政服务和太空探索等领域地应用越来越广泛。然而，在机器人路径规划方面仍存在不足，例如搜索效率低、规划路径非最优等缺点。

常见的运动规划方法分为搜索、智能、采样这三大类。其中常见的Dijkstra和A*算法等属于搜索路径规划，蚁群算法、遗传算法等属于智能路径规划算法，以上两类算法需要建立空间环境障碍物模型，不适合在环境复杂的空间中路径规划。基于采样的路径规划算法快速探索随机树(Rapidly-exploring Random Trees，RRT)、 RRT*、Informed-RRT*等不仅能够广泛应用于复杂高维空间，而且无需对构型空间障碍物进行描述，适合应用于多自由度机器人在复杂环境下和动态环境中的路径规划的问题。

传统的Informed-RRT*算法是基于RRT、RRT*发展而来的。RRT算法是通过状态空间的随机采样导向空白区域，从而快速地找到一条可行的规划路径，但是其生成的路径非最优且环境复杂度会影响收敛速度。鉴于RRT 算法的上述缺点，RRT*通过对指定范围内为当前节点重新寻找父节点和范围内节点的重新连接两步来产生一个最优路径，但由于修剪冗余枝叶范围大会导致规划效率低。鉴于RRT*的上述缺点，Informed-RRT*在初始路径已经生成的基础上，在最后修剪枝叶的时候建立一个渐变椭圆来规定采样空间，提升规划效率。但是该算法在生成初始路径时并未对采样空间做出约束，在初始路径生成和修剪冗余枝叶时都未对节点扩展方式做出优化，导致规划效率不满足机器人在复杂环境下作业的时效性要求。因此，对于以上问题，急需提出一种能够引导 Informed-RRT*算法快速找到一条渐进最优的路径规划方法。

发明内容

本发明创造目的在于，提供一种双向动态生长的Informed-RRT*路径规划方法。采用一种初始路径双向搜索的方式，有效提高了初始路径的生成效率；采用一种P概率扇形约束采样的方法，增加了目标导向性和路径规划容错率；在节点扩展时采用生长转角偏置，有效加快算法收敛速度；采用变步长生长的扩展方式，解决了在路径规划过程中因环境复杂而导致的路径规划效率低下的问题。

本发明为达到上述发明目的，采用如下技术方案：

本发明旨在提供一种双向动态生长的Informed-RRT*路径规划方法，以提高现有技术在复杂环境下路径规划的规划效率，包括如下步骤：

S1、根据障碍物地图建模并二值化，确定起始点和目标点，设定初始参数；

S2、根据障碍物地图初始化两棵随机树；

S3、利用双向搜索融合P概率扇形约束的采样策略进行采样生成采样点；

S4、利用生长转角偏置策略来确定节点扩展时的方向；

S5、利用变步长生长策略来确定节点扩展时的动态扩展步长，产生最新的扩展节点；

S6、进行碰撞检测并更新主、副树图集，输出初始路径；

S7、确定动态椭圆采样范围；