[发明专利]一种基于动态复杂环境下的移动机器人平滑路径规划方法

说明书

本发明涉及一种基于动态复杂环境下的移动机器人平滑路径规划方法，属于机器人路径规划领域。具体步骤如下：开始；搜索最优路径；对最优路径进行平滑处理；结束。所述搜索最优路径步骤采用加入人工势场引力思想的双向RRT算法进行路径搜索，即由人工势场引力指导随机树朝着目标方向生长，避免RRT算法对全局进行随机采样；或采用改进启发函数后的双向A*算法，在距离因素的基础上增加角度因素，并将距离和角度的单位进行归一化处理，显著减少路径规划时间，提高路径的收敛速度；所述对最优路径进行平滑处理，先采用弗洛伊德平滑算法筛除冗余节点，再用三次B样条法将剩余的节点平滑连接起来，最终得到平滑的最优路径。

技术领域

本发明属于机器人路径规划领域，具体涉及一种基于复杂环境下移动机器人平滑路径规划方法。

背景技术

随着机器人所处工作环境复杂程度提高、任务数量的增加，移动机器人路径规划已经成为国内外众多学者研究的重点。传统的路径规划算法有人工势场法、模糊规则法、遗传算法、神经网络、模拟退火算法、蚁群优化算法等，但这些方法都需要在一个确定的空间内对障碍物进行建模，计算复杂度与机器人自由度呈指数关系，不适合解决多自由度机器人在复杂环境中的路径规划。

人工势场法是将机器人在周围环境中的运动，设计成一种抽象的人造引力场中的运动，目标点对移动机器人产生“引力”，障碍物对移动机器人产生“斥力”，最后通过求“引力”和“斥力”的合力来控制移动机器人的运动。应用势场法规划出来的路径一般是比较平滑并且安全，但是这种方法存在局部最优点问题，当目标点、障碍物和机器人同在一条直线上时，可能会产生未到达目标点，但是机器人所受合力为零的状态，机器人停止运动或在最优点处震荡。

基于快速扩展随机树(RRT)的路径规划算法，通过对状态空间中的采样点进行碰撞检测，避免了对空间的建模，能够有效地解决高维空间和复杂约束的路径规划问题。它以一个初始点作为根节点，通过随机采样增加叶子节点的方式，生成一个随机扩展树，当随机树中的叶子节点包含了目标点或进入了目标区域，便可以在随机树中找到一条由从初始点到目标点的路径。RRT算法在静态环境下的应用已经较为成熟，但是将之应用于复杂的动态环境下，如机器人足球世界杯RoboCup场景，因为RRT算法较强的随机扩展性，可能会发生随机树偏离目标方向生长，增加路径规划的时间，而且RRT算法在生成随机树时，可能会扩展冗余节点加入随机树中，导致最后规划出来的路径发生震荡、曲折。

A*算法作为静态路网中求解最短路径的搜索方法，它在路径规划时引入了全局信息，会对当前节点距终点的距离做出估值，并据此判断该节点处于最短路线上的可能性的大小，并选择消耗最小的方向拓展节点，但当应用场景中为动态障碍物，或者目标点变化频繁时，此算法可能会同时产生多个消耗最小的路径，不能保证搜索到的路径为最优路径，而且如果环境中障碍物复杂，A*算法扩展的节点较多，也会导致搜索效率低下。

无论上述的RRT算法还是A*算法，最终寻找出来的最优路径都是一系列节点的序列，是一组线段的组合，存在诸多震荡和锯齿，不适合直接用来指导机器人行动。

发明内容

为了解决现有路径规划算法搜索效率低及规划出的路径不平滑的问题，本发明提供如下技术方案：一种基于动态复杂环境下的移动机器人平滑路径规划方法，包括

S1：开始，

S2：寻找最优路径，

S3：对路径进行平滑处理，

S4：结束，

所述步骤S2搜索最优路径为采用包含人工势场引力思想的双向RRT算法寻找最优路径，具体步骤为：