针对无人机在进行电力巡检时遇到的变电站设备或密集树木场景下的障碍物避障困难问题,在传统快速扩展随机树(rapid-exploring random tree,RRT)算法的基础上,提出了一种新的快速扩展随机树-椭球子集采样算法(quick and informed RRT-sta...针对无人机在进行电力巡检时遇到的变电站设备或密集树木场景下的障碍物避障困难问题,在传统快速扩展随机树(rapid-exploring random tree,RRT)算法的基础上,提出了一种新的快速扩展随机树-椭球子集采样算法(quick and informed RRT-star,QI-RRT^(*))算法。算法提出了两项关键优化:通过采用Q-RRT^(*)(quick RRT-star)算法中的重连重写步骤提升无人机电力巡检路径优化效果;引用含椭球子集采样的多目标采样策略,增强路径规划的目标导向性。最后,将QI-RRT^(*)算法与其他算法在模拟巡检环境下进行了对比仿真实验,从扩展情况、路径代价、规划时间等多个维度分析实验结果。结果表明,该算法相比RRT^(*)(RRT-star)算法平均缩短83.07%的规划时间,同时减少了4.76%的路径代价,验证了在多障碍物环境下,QI-RRT^(*)算法对无人机快速寻找有效的巡检路径具有显著的提升效果。展开更多
文摘针对无人机在进行电力巡检时遇到的变电站设备或密集树木场景下的障碍物避障困难问题,在传统快速扩展随机树(rapid-exploring random tree,RRT)算法的基础上,提出了一种新的快速扩展随机树-椭球子集采样算法(quick and informed RRT-star,QI-RRT^(*))算法。算法提出了两项关键优化:通过采用Q-RRT^(*)(quick RRT-star)算法中的重连重写步骤提升无人机电力巡检路径优化效果;引用含椭球子集采样的多目标采样策略,增强路径规划的目标导向性。最后,将QI-RRT^(*)算法与其他算法在模拟巡检环境下进行了对比仿真实验,从扩展情况、路径代价、规划时间等多个维度分析实验结果。结果表明,该算法相比RRT^(*)(RRT-star)算法平均缩短83.07%的规划时间,同时减少了4.76%的路径代价,验证了在多障碍物环境下,QI-RRT^(*)算法对无人机快速寻找有效的巡检路径具有显著的提升效果。
