在未知环境搜寻任务的路径规划中,现有算法无法自动搜寻并且寻找最短路径。为了解决这一问题,基于快速随机树(Rapidly-exploring Random Tree Star,RRT*)算法提出了快速随机树改进(Rapidly-exploring Random Trees Progress,RRTpro)算法...在未知环境搜寻任务的路径规划中,现有算法无法自动搜寻并且寻找最短路径。为了解决这一问题,基于快速随机树(Rapidly-exploring Random Tree Star,RRT*)算法提出了快速随机树改进(Rapidly-exploring Random Trees Progress,RRTpro)算法。RRTpro算法选取最外层节点成为父节点,同时对失败的节点进行记录,构建出概率函数,优化算法逻辑,对算法进行应用化处理。通过虚拟试验,RRTpro生成树的节点分布更均匀,在计算速度上RRTpro耗时为RRT*的51.16%,在生成路径质量上RRTpro生成的路径长度为RRT*生成路径的96.1%。在测试小车仿真应用中,RRTpro在测试环境中自动搜寻并找到了目标点,并生成了最优的路径。展开更多
文摘在未知环境搜寻任务的路径规划中,现有算法无法自动搜寻并且寻找最短路径。为了解决这一问题,基于快速随机树(Rapidly-exploring Random Tree Star,RRT*)算法提出了快速随机树改进(Rapidly-exploring Random Trees Progress,RRTpro)算法。RRTpro算法选取最外层节点成为父节点,同时对失败的节点进行记录,构建出概率函数,优化算法逻辑,对算法进行应用化处理。通过虚拟试验,RRTpro生成树的节点分布更均匀,在计算速度上RRTpro耗时为RRT*的51.16%,在生成路径质量上RRTpro生成的路径长度为RRT*生成路径的96.1%。在测试小车仿真应用中,RRTpro在测试环境中自动搜寻并找到了目标点,并生成了最优的路径。
