Research on Path Planning Algorithm of Bidirectional Rapidly Exploring Random Tree Improved by Artificial Potential Field, Xu Jinli; Xiao Haoran; Huang Fengyun,School of Mechanical and Electronic Engineering, Wuhan University of Technology, Wuhan, Hubei, China.2021.
DOI: 10.1088/1742-6596/2137/1/012051
算法
本文方法总览
- 针对路径规划在快速探索随机树(RRT)算法中存在的效率低、随机性强、收敛速度慢等缺陷,提出了一种基于人工势场的新算法。
- 该算法采用探索树的双向增长方案,使两棵生长树同时从起点和终点向外进行探索和扩展,以加快算法的收敛速度。
- 在早期,加入生长预处理,使两棵生长树以各自的端点作为目标点,一次快速通过无障碍区域。
- 添加双向自适应目标偏差算法,而不是单个终点作为目标偏点;
- 采用人工势场法对生长树的障碍物进行修正,引导路径最终生长。
- 利用自适应变化概率选择不同的目标点作为不同时期的不同生长方向,以加速两棵生长树的相遇。
- 经过大量的仿真实验和数据分析,改进后的双向RRT算法具有更高的搜索效率、更好的生长路径和更少的采样点。
双向自适应目标偏差
目标偏置RRT算法每次选择目标点的概率和目标点的坐标位置都是固定的。当两棵正在生长的树即将相遇时,如果仍将各自的端点作为随机采样点,则可能会影响最终的收敛速度。
- 固定概率P0,随机采样点的每个采样概率为0到1之间的随机值P
- P0<P<1:Xrand中随机生成采样点来指导随机树生长
- 0<P<P0:计算生长树1的最后一个生长节点和生长树2的最后一个生长节点之间的欧氏距离,并将此值除以地图开始得到起点和终点之间的欧几里德距离的值,得到随两个生长树的生长而变化的值Pvar。【大于1就转换为1/Pvar】
- P0Pvar<P<P0:选择生长树的最后一个生长节点引导另一个生长树生长
- 0<P<P0Pvar:选择生长树的目标终点Xstart或Xgoal作为采样点引导其生长
势场引导生长
人工势场法改进新节点的生成方法,使生长树沿障碍物边缘向目标点平稳生长
实验分析
将地图环境大小设置为500×500,起点坐标为(10,490),终点坐标为(490,10),基本步长p = 10,每个算法的实验次数为20次
算法 | 平均迭代次数 | 平均路径点 | 平均路径长度 | 平均规划时间s |
---|---|---|---|---|
RRT | 2208.3 | 107.9 | 1063.358 | 11.838 |
APF | - | - | - | - |
BRRT | 149.3 | 88.9 | 883.756 | 0.305 |
our | 59.4 | 46.9 | 797.381 | 0.116 |
与双向目标偏RRT算法相比,
本文改进算法的平均迭代次数减少了94.7%,
平均路径点数减少了67.5%,
平均路径长度减少了13.4%,
平均规划时间减少了97.3%。