基于RRT和DWA的欠驱动UUV路径规划
发布时间：2022-01-11 03:15
针对无人潜航器（UUV）在未知水下复杂环境的路径规划问题,设计了随机树以及动态窗口的融合算法。该算法基于快速扩展随机树（RRT）以及动态窗口（DWA）两层规划设计,第一层利用随机树算法快速规划出全局路径,在此基础上第二层加载全局路径,针对UUV模型的欠驱动和非线性,利用动态窗口算法完成局部路径规划,保证约束条件下UUV路径的安全性。通过融合参数μ修正内外框架的融合度,有效地弥补了全局路径算法的无法躲避动态障碍物的缺点以及局部路径算法全局能力低下的问题。最后,通过对比仿真验证了融合算法相比于随机树全局算法和动态窗口局部算法的优越性。
【文章来源】：数字海洋与水下攻防. 2020,3(03)
【文章页数】：7 页
【部分图文】：
基于RRT算法的全局规划（1）Fig.4GlobalplanningbasedonRRT（1）
·260·数字海洋与水下攻防第3卷2路径规划算法2.1RRT全局路径规划算法在全局路径规划的算法中，快速扩展随机树（Rapidly-exploringRandomTrees，RRT）算法由LaValle教授在20世纪末提出。RRT算法相对于其他全局算法的优点在于可以更快更灵活地规划出路径，并且不要求障碍物形状的规则性。但是缺点也尤为明显：它的效率并不稳定，由于其迭代过程没有目标性，所以每次的路径选取并不相同。经过类似迷宫的狭窄区域很难找到出口，需要大量反复计算，浪费时间和资源。并且所需路径越平滑，计算量也越大。一些改进的RRT算法弥补了部分缺点，且可通过插值修正曲线。初始化的地图只包含随机树的根节点也就是起始点Qint和目标点Qgol。首先按照策略概率p生成一个随机点Qrad，p的生成由一个随机数保证。随机树上离该随机点最近的节点Qnear（初始化的情况下为起始点）向Qrad矢量方向生成一个新节点Qnew。Qnear和Qnew的长度为距离参数qdist，修改此参数可以修改RRT算法的精度和计算量。之后对随机树上的节点Qnear以及Qnew的路线做障碍物碰撞检测，若发生碰撞则放弃此条路径，若没有发生碰撞则将节点Qnew加入到随机树节点中，Qnear和Qnew加入到路径矩阵。重复以上步骤直到Qnew与Qgol之间的距离小于设定值Qset，即说明到达目标点。最后依据贪心算法简化得到的路径，从起点Qint起依次寻找与Qgol节点满足碰撞检测函数的节点q*，用此路径替代之前的路径，再以q*为终点依次寻找得到一个最简路径。同时需要注意以下几点。图1RRT算法示意图Fig.1RRTalgorithmdiagram1）策略概率p依据目标点的距离给定，以一个随机数确保概率的有效性。?
·262·数字海洋与水下攻防第3卷图2RRT-DWA融合算法框架Fig.2RRT-DWAfusionalgorithmframework3）局部框架加载全局路径后，由融合参数μ确定全局路径插值，μ参数即为由RRT算法得到的最终全局路径的分段比例，根据路径的长短以及障碍物的密度进行修改，这里取为0.05。再由DWA算法在线生成局部路径，直到到达目标点完成循环，得到修正后的路径。4仿真验证分析针对以上设计的算法，构建1个1000m2的仿真地图，图中黑色区域为障碍物；目标的起始点为原点，终点为地图右上角。首先给定3组参数验证单独使用动态窗口的全局路径规划性能。图3为利用DWA算法得到的路径，改变DWA算法中评价函数中艏向评分占比，安全系数评分占比以及效率评分占比将得到不同的路径。图中蓝色和绿色两条轨迹的航向角评分分别为0.5和0.45，占比较高，在（300，300）坐标附近时为保证航向角评分路径的生成朝向目标点，UUV从障碍物上方行驶。下方红色轨迹的安全性评分为0.6，占比更高，所以在同一位置为保证安全性的评分，远离障碍物，UUV向下行驶。这就导致了单纯的DWA算法受很多因素影响，很难找到一条简洁的全局轨迹。表1动态窗口仿真参数Table1Dynamicwindowsimulationparameters初始状态参数组1参数组2参数组3u0=0.5=0.45=0.1v0=0.3=0.3=0.6r0()/s，=45=0.2=0.25=0.3图3基于DWA算法的局部规划Fig.3LocalplanningbasedonDWAalgorithm
【参考文献】：
期刊论文
[1]基于RRT*算法的水下机器人全局路径规划方法[J]. 丁帅,陈苗苗,王猛,谷志珉,任峰. 舰船科学技术. 2019(17)
[2]基于D-star和DWA的改进机器人导航方法[J]. 何壮壮,丁德锐. 电子测量技术. 2019(12)
[3]基于速度方向判定的动态窗口法[J]. 田永永,李梁华. 农业装备与车辆工程. 2018(08)
[4]基于模型预测控制的UUV路径跟踪控制研究[J]. 张伟,郁晨曦,滕延斌,魏世琳. 仪器仪表学报. 2017(11)
[5]无人水下航行器近海底空间路径规划方法[J]. 严浙平,邓超,赵玉飞,李本银. 哈尔滨工程大学学报. 2014(03)
[6]双种群粒子群算法及其在UUV路径规划中的应用[J]. 严浙平,邓超,迟冬南,赵玉飞. 计算机工程与应用. 2013(15)
[7]基于粒子群优化算法的移动机器人全局路径规划[J]. 孙波,陈卫东,席裕庚. 控制与决策. 2005(09)
博士论文
[1]基于智能优化算法的移动机器人路径规划与定位方法研究[D]. 黄辰.大连交通大学 2018
硕士论文
[1]面向家庭环境的移动机器人局部路径规划算法研究[D]. 李宁.哈尔滨工业大学 2018
本文编号：3581976
【文章来源】：数字海洋与水下攻防. 2020,3(03)
【文章页数】：7 页
【部分图文】：
基于RRT算法的全局规划（1）Fig.4GlobalplanningbasedonRRT（1）
·260·数字海洋与水下攻防第3卷2路径规划算法2.1RRT全局路径规划算法在全局路径规划的算法中，快速扩展随机树（Rapidly-exploringRandomTrees，RRT）算法由LaValle教授在20世纪末提出。RRT算法相对于其他全局算法的优点在于可以更快更灵活地规划出路径，并且不要求障碍物形状的规则性。但是缺点也尤为明显：它的效率并不稳定，由于其迭代过程没有目标性，所以每次的路径选取并不相同。经过类似迷宫的狭窄区域很难找到出口，需要大量反复计算，浪费时间和资源。并且所需路径越平滑，计算量也越大。一些改进的RRT算法弥补了部分缺点，且可通过插值修正曲线。初始化的地图只包含随机树的根节点也就是起始点Qint和目标点Qgol。首先按照策略概率p生成一个随机点Qrad，p的生成由一个随机数保证。随机树上离该随机点最近的节点Qnear（初始化的情况下为起始点）向Qrad矢量方向生成一个新节点Qnew。Qnear和Qnew的长度为距离参数qdist，修改此参数可以修改RRT算法的精度和计算量。之后对随机树上的节点Qnear以及Qnew的路线做障碍物碰撞检测，若发生碰撞则放弃此条路径，若没有发生碰撞则将节点Qnew加入到随机树节点中，Qnear和Qnew加入到路径矩阵。重复以上步骤直到Qnew与Qgol之间的距离小于设定值Qset，即说明到达目标点。最后依据贪心算法简化得到的路径，从起点Qint起依次寻找与Qgol节点满足碰撞检测函数的节点q*，用此路径替代之前的路径，再以q*为终点依次寻找得到一个最简路径。同时需要注意以下几点。图1RRT算法示意图Fig.1RRTalgorithmdiagram1）策略概率p依据目标点的距离给定，以一个随机数确保概率的有效性。?
·262·数字海洋与水下攻防第3卷图2RRT-DWA融合算法框架Fig.2RRT-DWAfusionalgorithmframework3）局部框架加载全局路径后，由融合参数μ确定全局路径插值，μ参数即为由RRT算法得到的最终全局路径的分段比例，根据路径的长短以及障碍物的密度进行修改，这里取为0.05。再由DWA算法在线生成局部路径，直到到达目标点完成循环，得到修正后的路径。4仿真验证分析针对以上设计的算法，构建1个1000m2的仿真地图，图中黑色区域为障碍物；目标的起始点为原点，终点为地图右上角。首先给定3组参数验证单独使用动态窗口的全局路径规划性能。图3为利用DWA算法得到的路径，改变DWA算法中评价函数中艏向评分占比，安全系数评分占比以及效率评分占比将得到不同的路径。图中蓝色和绿色两条轨迹的航向角评分分别为0.5和0.45，占比较高，在（300，300）坐标附近时为保证航向角评分路径的生成朝向目标点，UUV从障碍物上方行驶。下方红色轨迹的安全性评分为0.6，占比更高，所以在同一位置为保证安全性的评分，远离障碍物，UUV向下行驶。这就导致了单纯的DWA算法受很多因素影响，很难找到一条简洁的全局轨迹。表1动态窗口仿真参数Table1Dynamicwindowsimulationparameters初始状态参数组1参数组2参数组3u0=0.5=0.45=0.1v0=0.3=0.3=0.6r0()/s，=45=0.2=0.25=0.3图3基于DWA算法的局部规划Fig.3LocalplanningbasedonDWAalgorithm
【参考文献】：
期刊论文
[1]基于RRT*算法的水下机器人全局路径规划方法[J]. 丁帅,陈苗苗,王猛,谷志珉,任峰. 舰船科学技术. 2019(17)
[2]基于D-star和DWA的改进机器人导航方法[J]. 何壮壮,丁德锐. 电子测量技术. 2019(12)
[3]基于速度方向判定的动态窗口法[J]. 田永永,李梁华. 农业装备与车辆工程. 2018(08)
[4]基于模型预测控制的UUV路径跟踪控制研究[J]. 张伟,郁晨曦,滕延斌,魏世琳. 仪器仪表学报. 2017(11)
[5]无人水下航行器近海底空间路径规划方法[J]. 严浙平,邓超,赵玉飞,李本银. 哈尔滨工程大学学报. 2014(03)
[6]双种群粒子群算法及其在UUV路径规划中的应用[J]. 严浙平,邓超,迟冬南,赵玉飞. 计算机工程与应用. 2013(15)
[7]基于粒子群优化算法的移动机器人全局路径规划[J]. 孙波,陈卫东,席裕庚. 控制与决策. 2005(09)
博士论文
[1]基于智能优化算法的移动机器人路径规划与定位方法研究[D]. 黄辰.大连交通大学 2018
硕士论文
[1]面向家庭环境的移动机器人局部路径规划算法研究[D]. 李宁.哈尔滨工业大学 2018
本文编号：3581976
本文链接：https://www.wllwen.com/kejilunwen/chuanbolw/3581976.html
