[发明专利]一种改进RRT算法的车辆路径规划方法

说明书

本发明涉及机器人路径规划技术领域，具体涉及一种改进RRT算法的车辆路径规划方法；为了使运用于智能车辆路径规划的RRT算法距离度量更加合理，同时规避精确求解最优尚需代价带来的计算开销，本发明考虑车辆的运动学约束，引入Dubins曲线作为距离度量，其中Dubins曲线对应于Dubins车辆的最短路径。同时，由于Dubins曲线具有非线性，为了加速计算，提出一种监督学习近似的方法，利用监督模型对距离度量进行线下训练学习，然后将其运用于线上预测。对本发明所提方法进行仿真实验，证实了其优越性、有效性，具有很强的应用价值。

技术领域

本发明涉及机器人路径规划技术领域，具体涉及一种改进RRT算法的车辆路径规划方法。

背景技术

基于采样的算法是解决机器人路径规划问题的一个有效工具(SLavalle.Planning Algorithms[M].Cambridge University Press,2006.)。RRT算法(S MLaValle.Rapidly-exploring random trees:A new tool forpathplanning[R].Ames,USA:Iowa State University.Ames,USA:Iowa State University,1998.)是一个单查询的采样规划算法，它以初始状态为根节点，通过树结构在构型空间中扩展，直至到达目标状态。距离度量是RRT算法的关键部分。RRT算法在扩展阶段需要通过距离度量去选择最近的树节点，其计算次数随着近邻节点个数呈比例增长。状态空间中的距离度量理想定义是从起始状态到目标状态的最优尚需代价。对于具有动力学和运动学约束的机器人系统，确定两个状态之间的最优尚需代价是一个两点边界值问题，求解两点边界值问题至少和解决运动规划问题一样困难。为简化求解，LaVall和Kuffner在提出RRT算法时建议用替代函数去近似最优尚需代价，替代函数可以是关于路径长度、位姿变化量的函数。这种最优代价近似方法被证明可以覆盖整个状态空间，有利于解决复杂的运动规划问题(P Cheng and SLaValle,“Reducing metric sensitivity in randomized trajectory design,”inInt.Conf.on Intelligent Robots and Systems(IROS),San Francisco,USA,2001.)。