为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩...为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩短了路径长度提升路径质量,改进剪枝策略减少了树搜索的冗余节点。根据算法在简单、复杂和密集环境下的仿真结果显示,在密集环境下A-RRT^(*)算法的无效冗余节点剪除94.29%、内存缩减了94.29%、搜索时间提高了96.28%、迭代次数缩减了91.49%、路径距离缩短了10.18%。为了防止生成的路径不平整而使机械臂在运行中造成损伤,利用了三次B样条对路径进行了优化,通过三维机械臂仿真也可得出优化后的路径更加平滑,减少了机械臂在运行过程中的关节波动,更有利于机械臂的运行,进一步验证了算法在机械臂运行中的有效性。展开更多
文摘为了解决RRT^(*)(rapidly-exploring random tree star)算法在搜索过程中速度低下和冗余节点过多,路径代价等问题,在RRT^(*)算法的基础上提出一种A-RRT^(*)算法,A-RRT^(*)算法通过融合A^(*)算法中的代价函数和使用了动态步长策略有效缩短了路径长度提升路径质量,改进剪枝策略减少了树搜索的冗余节点。根据算法在简单、复杂和密集环境下的仿真结果显示,在密集环境下A-RRT^(*)算法的无效冗余节点剪除94.29%、内存缩减了94.29%、搜索时间提高了96.28%、迭代次数缩减了91.49%、路径距离缩短了10.18%。为了防止生成的路径不平整而使机械臂在运行中造成损伤,利用了三次B样条对路径进行了优化,通过三维机械臂仿真也可得出优化后的路径更加平滑,减少了机械臂在运行过程中的关节波动,更有利于机械臂的运行,进一步验证了算法在机械臂运行中的有效性。
