基于RRTConnect算法的双履带起重机路径规划研究_硕士学位论文

文章编号：1671-7872(2024)02-0173-09基于改进RRT 算法的六自由度机械臂路径规划朱永浩 ，李　丹 ，龚　旭 ，金仁才(安徽工业大学 电气与信息工程学院, 安徽 马鞍山 243032)摘要：针对快速扩展随机树(RRT)算法路径代价大、采样过程慢的问题，提出1种改进的RRT 算法对六自由度机械臂进行路径规划。

结合RRT*和RRT-connect 算法的优点，应用目标采样的思想加强算法向目标点搜索的趋向性，引入贪婪思想提高算法效率，结合五次B 样条插值对路径进行平滑优化，缩短规划路径的时间及长度；利用Python 中的matplotlib 功能包统计RRT 与改进的RRT 算法规划所需时长、采样点数与路径长度，且在ROS 平台中利用动态规划库进行算法配置，验证改进算法的路径规划效果。

结果表明：相比传统RRT 算法，采用所提改进算法对六自由度机械臂进行路径规划，在平均路径长度上缩短了29.5%、在规划路径时间上缩短了8.5%，路径规划成功率提高至96.7%，验证了该算法在实际应用中的可行性。

关键词：六自由度机械臂；路径规划；RRT ；目标采样中图分类号：TP 241.3 文献标志码：A doi ：10.12415/j.issn.1671−7872.23113Path Planning of 6-DOF Manipulator Based on Improved RRT AlgorithmZHU Yonghao, LI Dan, GONG Xu, JIN Rencai(School of Electrical & Information Engineering, Anhui University of Technology, Maanshan 243032, China)Abstract ：An improved rapidly-expanding random tree (RRT) algorithm was proposed to plan the path of a six degree of freedom (DOF) robotic arm in response to the problem of high path cost and slow sampling process in the RRT algorithm. Combining the advantages of RRT * and RRT-connect algorithms, the target sampling was applied to enhance the tendency of the algorithm to search for target points, the greedy thinking was introduced to improve the efficiency of the algorithm, and the quintic B-spline interpolation was combined to optimize the path smoothness,shorten the path planning time and length. The matplotlib function pack in Python was used to calculate the time,number of sampling points, and path length required for RRT and improved algorithm planning, as well as the dynamic planning library for algorithm configuration on the ROS platform was used to verify the path planning effect of the improved algorithm. The results show that compared with the traditional RRT algorithm, the path planning of the six DOF robotic arm by the proposed improved algorithm shortens the average path length by 29.5%,the planning path time is shortened by 8.5%, and the success rate of path planning is increased to 96.7%,which verifies the feasibility of the algorithm in practice.Keywords ：six degree of freedom robotic arm; path planning; RRT; target sampling随着机器人技术的发展，机械臂具有工作空间大、操作简便、灵活性和自由度高等优点[1]，在焊缝焊接、制造加工、拆卸装配、喷漆和码垛等领域得到越来越广泛的应用[2−4]。

基于改进RRT算法的移动机器人路径规划在科技的广阔舞台上，移动机器人如同一位优雅的舞者，其流畅的移动和精确的定位令人赞叹。

然而，这位舞者的舞台并非总是平坦无阻，障碍物的存在往往要求它进行复杂的路径规划。

此时，一种名为“快速扩展随机树”（RRT）的算法便显得尤为重要。

本文将探讨如何通过改进RRT算法来优化移动机器人的路径规划。

首先，让我们将RRT算法比作一位勇敢的探险家，他在未知的丛林中寻找一条通往目的地的安全之路。

传统的RRT算法就像这位探险家手持一张粗略的地图，虽然能够指引方向，但在遇到复杂地形时却显得力不从心。

因此，我们需要为这位探险家升级他的装备——即改进RRT算法。

改进的第一步是增强其感知能力。

我们可以引入环境感知技术，使算法能够更准确地识别周围的障碍物。

这就好比为探险家配备了一副高清望远镜，让他能够洞察远方的危险，从而提前规避。

接下来，我们需要考虑速度与安全性的平衡。

在动态环境中，移动机器人不仅要快速到达目的地，还要确保沿途的安全。

因此，我们可以借鉴“贪吃蛇”游戏中的策略：既要像蛇头一样敏锐地捕捉前方的机会，又要像蛇尾一样稳健地处理背后的风险。

这种策略在改进的RRT算法中体现为对生长速度和碰撞检测的双重优化。

此外，我们还可以通过机器学习等技术来提升算法的决策能力。

这就像是给探险家配备了一位智慧的向导，他能够根据以往的经验来预测未来的风险，并给出最优的建议。

然而，即使是最先进的算法也无法完全避免意外情况的发生。

因此，在设计路径规划系统时，我们必须考虑到异常处理机制。

这就像为探险家准备了一个紧急救援包，一旦遇到不测，能够迅速采取措施以保障安全。

最后，我们要认识到，无论是在实验室中还是在实际应用中，理论与实践之间总是存在差距。

因此，持续的测试和优化是必不可少的。

这就如同探险家在出发前必须对装备进行反复检查一样，只有确保一切就绪，才能踏上征途。

综上所述，通过增强感知能力、平衡速度与安全性、提升决策能力以及建立异常处理机制等措施，我们可以有效地改进RRT算法，使其更好地服务于移动机器人的路径规划。

基于改进双向RRT算法的机器人路径规划机器人路径规划是机器人领域中的关键问题之一、路径规划的目标是找到从起点到终点的最佳路径，使得机器人能够在给定的环境中安全、高效地移动。

改进双向RRT（Rapidly-exploring Random Tree）算法是一种常用的机器人路径规划算法，本文将介绍其原理和改进方法。

双向RRT是在传统RRT算法的基础上发展而来的一种路径规划算法。

传统的RRT算法通过对机器人周围随机采样并生长树来构建路径。

然而，RRT算法容易陷入困境，需要花费大量时间来纠正错误。

而双向RRT算法通过同时从起点和终点开始构建两棵树，能够更快地生成可用的路径。

双向RRT算法的基本步骤如下：1.初始化起点和终点，并分别构建两棵树。

起点作为第一棵树的根节点，终点作为第二棵树的根节点。

2.从树中选择一个节点，随机采样一个点，并找到最近的节点。

3.如果该采样点与最近节点之间的距离小于阈值，将采样点添加为新的节点，并将该节点连接到树上。

4.如果两棵树的节点相遇，说明已经找到了一条通往目标的路径，结束算法。

5.如果两棵树的节点没有相遇，交替并生长树。

6.重复步骤2-5，直到找到一条通往目标的路径或达到最大迭代次数。

然而，双向RRT算法在处理复杂环境中的路径规划问题时仍然存在一些困难。

为了改进算法性能，可以针对以下方面进行优化：1.采样策略：传统的RRT算法采用随机采样策略，但这种策略可能导致节点扩展方向不合理。

可以改进为更加智能的采样策略，如使用启发式信息来指导采样。

例如，可以根据环境中的障碍物密度分布进行采样，更倾向选择远离障碍物的点。

2.距离度量：双向RRT算法通常使用欧氏距离作为节点之间的度量标准。

但在一些情况下，欧氏距离可能无法准确反映路径的困难程度。

可以考虑使用其他距离度量方法，如曼哈顿距离或最短路径距离，以更准确地评估路径的可行性。

3.随机性调整：双向RRT算法的核心是随机采样和节点扩展。

基于改进RRT算法的机器人路径规划研究基于改进RRT算法的机器人路径规划研究摘要：机器人路径规划是机器人领域的一项关键技术。

本文基于改进的快速随机树（RRT）算法，结合机器人自身特点和环境约束，进行了机器人路径规划方面的研究。

通过对RRT算法的改进，提出了一种适用于机器人路径规划的改进RRT算法。

通过实验验证，改进RRT算法在机器人路径规划方面取得了较好的效果。

1. 引言随着机器人技术的飞速发展，机器人在工业自动化、服务机器人、医疗机器人等领域的应用越来越广泛。

而机器人的路径规划是机器人实现自主导航和任务执行的基础。

因此，研究高效准确的机器人路径规划方法对于提高机器人的自主性和实用性具有重要意义。

2. RRT算法概述RRT（Rapidly-exploring Random Tree）算法是一种常用的机器人路径规划算法。

RRT算法通过随机扩展树的方式，在环境中探索可行的路径，并生成一棵树结构。

通过不断的随机扩展和连接，RRT算法能够快速搜索到一个可行的路径。

3. RRT算法的改进尽管RRT算法在机器人路径规划中被广泛使用，但其在搜索效率和路径优化方面仍有一定的改进空间。

为此，本文提出了一种基于改进RRT算法的机器人路径规划方法。

3.1 随机采样策略的改进传统的RRT算法采用均匀随机采样的方式生成新的节点。

然而，这种采样策略容易导致搜索过程陷入局部最优解。

本文改进了RRT算法的随机采样策略，引入了智能采样思想，根据机器人当前位置和目标位置的距离，以及环境约束条件，调整采样策略的概率分布，增大对未探索区域的采样概率，从而提高搜索的广度和灵活性。

3.2 路径优化算法的改进传统的RRT算法生成的路径可能存在冗余和不平滑的问题。

为解决这个问题，本文提出了一种基于光滑曲线拟合的路径优化算法。

该算法通过对RRT算法生成的路径进行曲线拟合和平滑处理，得到更加紧凑和平滑的路径。

同时，为了保证路径的安全性，还引入了碰撞检测机制，通过对路径上的障碍物进行碰撞检测，避免碰撞发生。

随着时代的飞速发展，高度自主化的机器人在人类社会中的地位与作用越来越大。

而机械臂作为机器人的一个最主要操作部件，其运动规划问题，例如准确抓取物体，在运动中躲避障碍物等，是现在研究的热点，对其运动规划的不断深入研究是非常必要的。

机械臂的运动规划主要在高维空间中进行。

RRT （Rapidly-exploring Random Tree）算法[1]基于随机采样的规划方式，无需对构型空间的障碍物进行精确描述，同时不需要预处理，因此在高维空间被广为使用。

近些年人们对于RRT算法的研究很多，2000年Kuffner等提出RRT-connect算法[2]，通过在起点与终点同时生成两棵随机树，加快了算法的收敛速度，但存在搜索路径步长较长的情况。

2002年Bruce等提出了ERRT（Extend RRT）算法[3]。

2006年Ferguson等提出DRRT （Dynamic RRT）算法[4]。

2011年Karaman和Frazzoli提出改进的RRT*算法[5]，在继承传统RRT算法概率完备性的基础上，同时具备了渐进最优性，保证路径较优，但是会增加搜索时间。

2012年Islam等提出快速收敛的RRT*-smart算法[6]，利用智能采样和路径优化来迫近最优解，但是路径采样点较少，使得路径棱角较大，不利于实际运用。

2013年Jordan等通过将RRT*算法进行双向搜索，提出B-RRT*算法[7]，加快了搜索速度。

同年Salzman等提出在下界树LBT-RRT中连续插值的渐进优化算法[8]。

2015年Qureshi等提出在B-RRT*算法中插入智能函数提高搜索速度的IB-RRT*算法[9]。

同年Klemm等结合RRT*的渐进最优和RRT-connect的双向搜基于改进的RRT*-connect算法机械臂路径规划刘建宇，范平清上海工程技术大学机械与汽车工程学院，上海201620摘要：基于双向渐进最优的RRT*-connect算法，对高维的机械臂运动规划进行分析，从而使规划过程中的搜索路径更短，效率更高。

一种改进ＲＲＴ算法在机器人轨迹规划中的应用ＡｐｐｌｉｃａｔｉｏｎｏｆａｎＩｍｐｒｏｖｅｄＲＲＴＡｌｇｏｒｉｔｈｍｉｎＲｏｂｏｔＴｒａｊｅｃｔｏｒｙＰｌａｎｎｉｎｇ孙　超　张伟军（上海交通大学机械与动力工程学院，上海　２００２４０）摘　要牶高压带电作业机器人是目前机器人研究领域中一个重要的研究方向，而机器人在线缆位置附近的轨迹规划是一项重要难题。

本文以快速搜索随机树（ｒａｐｉｄｌｙ ｅｘｐｌｏｒｉｎｇｒａｎｄｏｍｔｒｅｅ，ＲＲＴ）及其相关改进算法作为带电作业机器人的路径规划方法。

首先通过分析ＲＲＴ算法的实现过程，提出根据红黑树数据结构加速节点搜寻的优化方案，并通过仿真实验证明该方法的高效性。

然后针对ＲＲＴ算法路径效果较差和ＲＲＴ算法耗时较长的问题，提出获取有效路径后再进行路径优化的方案。

最后本文通过模拟机器人作业环境，进行六自由度机器人路径规划仿真，证明该两种方案的有效性和高效性，并最终应用于实际带电作业。

关键词牶快速搜索随机树（ＲＲＴ）　路径规划　六自由度机器人ＤＯＩ牶１０．１６４１３／ｊ．ｃｎｋｉ．ｉｓｓｎ．１００７０８０ｘ．２０２２．ｚ２．００６Ａｂｓｔｒａｃｔ牶Ｈｉｇｈｖｏｌｔａｇｅｌｉｖｅｗｏｒｋｉｎｇｒｏｂｏｔｉｓａｎｉｍｐｏｒｔａｎｔｒｅｓｅａｒｃｈｄｉｒｅｃｔｉｏｎｉｎｔｈｅｆｉｅｌｄｏｆｒｏｂｏｔｒｅｓｅａｒｃｈ，ａｎｄｔｈｅｔｒａｊｅｃｔｏｒｙｐｌａｎｎｉｎｇｎｅａｒｔｈｅｃａｂｌｅｐｏｓｉｔｉｏｎｏｆｔｈｅｒｏｂｏｔｉｓａｎｉｍｐｏｒｔａｎｔｐｒｏｂｌｅｍ．Ｉｎｔｈｉｓｐａｐｅｒ，ｒａｐｉｄｌｙ ｅｘｐｌｏｒｉｎｇｒａｎｄｏｍｔｒｅｅ（ＲＲＴ）ａｎｄｉｔｓｒｅｌａｔｅｄｉｍｐｒｏｖｅｄａｌｇｏｒｉｔｈｍｓａｒｅｕｓｅｄａｓｔｈｅｐａｔｈｐｌａｎｎｉｎｇｍｅｔｈｏｄｏｆｌｉｖｅｗｏｒｋｉｎｇｒｏｂｏｔ．Ｆｉｒｓｔｌｙ，ｂｙａｎａｌｙｚｉｎｇｔｈｅｉｍｐｌｅｍｅｎｔａｔｉｏｎｐｒｏｃｅｓｓｏｆＲＲＴａｌｇｏｒｉｔｈｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｎｏｐｔｉｍｉｚａｔｉｏｎｓｃｈｅｍｅｔｏａｃｃｅｌｅｒａｔｅｎｏｄｅｓｅａｒｃｈａｃｃｏｒｄｉｎｇｔｏｔｈｅｒｅｄｂｌａｃｋｔｒｅｅｄａｔａｓｔｒｕｃｔｕｒｅ，ａｎｄｔｈｅｅｆｆｉｃｉｅｎｃｙｏｆｔｈｉｓｍｅｔｈｏｄｉｓｐｒｏｖｅｄｂｙｓｉｍｕｌａｔｉｏｎｅｘｐｅｒｉｍｅｎｔｓ．Ｔｈｅｎ，ａｉｍｉｎｇａｔｔｈｅｐｒｏｂｌｅｍｓｏｆｐｏｏｒｐａｔｈｅｆｆｅｃｔｏｆＲＲＴａｌｇｏｒｉｔｈｍａｎｄｌｏｎｇｔｉｍｅ ｃｏｎｓｕｍｉｎｇＲＲＴ ａｌｇｏｒｉｔｈｍ，ｔｈｉｓｐａｐｅｒｐｒｏｐｏｓｅｓａｓｃｈｅｍｅｏｆｐａｔｈｏｐｔｉｍｉｚａｔｉｏｎａｆｔｅｒｏｂｔａｉｎｉｎｇａｎｅｆｆｅｃｔｉｖｅｐａｔｈ．Ｆｉｎａｌｌｙ，ｔｈｅｓｉｘｄｅｇｒｅｅｏｆｆｒｅｅｄｏｍｒｏｂｏｔｐａｔｈｐｌａｎｎｉｎｇｓｉｍｕｌａｔｉｏｎｉｓｃａｒｒｉｅｄｏｕｔｂｙｓｉｍｕｌａｔｉｎｇｔｈｅｒｏｂｏｔｗｏｒｋｉｎｇｅｎｖｉｒｏｎｍｅｎｔ，ｗｈｉｃｈｐｒｏｖｅｓｔｈｅｅｆｆｅｃｔｉｖｅｎｅｓｓａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｔｈｅｔｗｏｓｃｈｅｍｅｓ，ａｎｄｆｉｎａｌｌｙａｐｐｌｉｅｄｔｏｔｈｅａｃｔｕａｌｌｉｖｅｗｏｒｋｉｎｇ．Ｋｅｙｗｏｒｄｓ牶ＲＲＴ（ｒａｐｉｄｌｙ ｅｘｐｌｏｒｉｎｇｒａｎｄｏｍｔｒｅｅ）　ｐａｔｈｐｌａｎｎｉｎｇ　６ＤＯＦｒｏｂｏｔ１４２０２２ ４５机电一体化　作者简介：孙　超　１９９６年生，硕士研究生。

一种双向目标RRT 路径规划算法研究双向目标RRT（Bi-directional Rapidly exploring Random Tree）路径规划算法是一种用于路径规划的算法，它采用两个树结构来同时探索起点和终点之间的空间。

该算法具有较高的效率和可行性，并已被广泛应用于机器人控制、自动驾驶和无人机飞行等领域。

本文将从双向目标RRT 路径规划算法的原理、流程和应用等方面进行深入探讨。

一、算法原理双向目标RRT 路径规划算法是一种基于树搜索的算法，主要分为两个阶段：树的生长过程和路径的搜索过程。

在树的生长过程中，两个树结构分别从起点和终点开始生长，直到两个树的最近节点距离小于一定阈值时停止；在路径的搜索过程中，从起点和终点同时进行搜索，直到两个搜索路径相遇为止。

整个算法的基本思想是：两个树结构从起点和终点开始不断生长，直到两个树结构的距离足够接近，然后在两个树结构之间找到一条可行路径。

具体而言，算法的生长过程主要由三个步骤组成：随机采样、最近邻节点查找和节点扩展。

其中，随机采样即在路径空间中随机生成一个节点，作为新节点的父节点；最近邻节点查找即在已有的树结构中查找距离采样节点最近的节点；节点扩展即将新节点加入到树结构中，并以新节点为中心生成一个球形搜索空间。

算法的搜索过程主要由四个步骤组成：树结构扩展、树结构合并、路径扩展和路径优化。

其中，树结构扩展即在两个树结构中查找最近邻节点，并将新节点加入到树结构中；树结构合并即计算两个树结构之间的距离，并确定两个树结构是否足够接近；路径扩展即从起点和终点同时进行搜索，直到两个搜索路径相遇；路径优化即通过插值和平滑等方法对搜索路径进行优化，以得到一条最优路径。

二、算法流程双向目标RRT 路径规划算法的主要流程如下：1.初始化：设置起点和终点，生成两棵空树。

2.随机采样：在路径空间中随机生成一个节点，作为新节点的父节点。

3.最近邻节点查找：在已有的树结构中查找距离采样节点最近的节点。

基于改进RRT的路径规划算法研究基于改进RRT的路径规划算法研究摘要：路径规划是机器人技术中的基础问题之一，其在自动驾驶、工业生产等领域有着广泛应用。

与传统的基础搜索算法相比，RRT（Rapidly-exploring Random Trees）算法不仅能够突破高维环境的搜索限制，而且效率更高。

本文针对RRT算法在大规模场景下存在的搜索效率低、路径优化差等问题，提出了改进的RRT算法。

本算法在构建树的过程中，采用了自适应采样步长策略和避免障碍物策略，优化了搜索效率。

在路径的优化方面，本算法采用启发式代价函数指导路径生成，同时引入了弹簧模型进行路径优化，避免了路径发生大幅度抖动的现象。

实验结果表明，本算法在大规模场景下具有更高的搜索效率和路径优化能力，使得机器人能够更为快速地生成可行的路径。

关键词：路径规划；RRT算法；自适应采样步长；避免障碍物；启发式代价函数；弹簧模型1.引言路径规划作为机器人领域中的基础问题，是实现高级功能的前提。

在实际的场景中，机器人常常面临的是与障碍物共存的大规模环境的搜索问题。

在传统的搜索算法中，搜索高维度状态空间会产生“维数灾难”，使得传统算法的搜索效率降低。

为了解决这一问题，出现了基于采样的搜索算法，其中RRT算法由于搜索方式的随机性，不仅可以有效提高搜索效率，而且可以突破高维状态空间的搜索限制。

但是，RRT算法也存在不足，如搜索效率不够高，路径规划的精度不够高等问题。

本文针对RRT算法的这些不足，对其进行了改进，提出一种改进的RRT算法，该算法采用自适应采样步长策略、避免障碍物的策略，优化了算法的搜索效率。

同时，采用启发式代价函数和弹簧模型进行路径优化，避免了路径发生抖动的现象。

实验结果表明，本算法在大规模场景下比传统算法具有更高的搜索效率和路径规划能力。

2.相关研究RRT算法由LaValle和Kuffner在2000年提出，其主要特点是通过随机采样的方式在搜索空间中构建一棵随机生长的树。