基于改进RRT的水下航行器路径规划算法

发布时间：2021-08-06 07:26

　　路径规划技术的好坏决定着水下航行器能否在水下安全航行,因此本文提出一种实用性强的路径规划算法。该算法利用了目标偏向采样策略解决了RRT算法采样随机导致耗时,同时通过强化学习加快拓展节点这个过程,加快算法的收敛,最后通过在障碍物随机分布的环境里,验证了该算法的正确性和有效性。 

【文章来源】：计算机产品与流通. 2019,(06)

【文章页数】：1 页

【部分图文】：

原始RRT路径规划效果

埃籖RT算法建设海洋强国已经提到了国家的日程上，因此我国将会加大力度研究海洋机器人，开发海洋资源，而自主式水下机器人（AutonomousUnderwaterVehicles，简称AUV）作为最有潜力的潜器之一，它的研究受到越来越多的研究者的关注。在自主式水下机器人的相关技术研究中，路径规划是其最为重要的核心技术之一，因为只有好的路径规划技术，才可以保证AUV的安全性和自主性。路径规划的定义是在AUV的工作空间中，通过算法找到一条从起始点到目标点的路径，且这条路径能够躲避开途经的障碍物。图1 原始RRT路径规划效果图2 改进RRT算法路径规划效果图一、基于强化学习改进的RRT算法（一）RRT算法介绍快速搜索随机树（Rapidly-exploringRandom，简称RRT）是一种单查询路径规划算法，由于其采样过程是均匀随机的，并且在搜索过程中可以考虑到环境以及机器人客观存在的约束，因此非常适合做多自由度机器人的路径规划算法。但是万事万物总是不完美的，该算法也存在一些问题：（1）因为采样是随机的，所以每次生成的路径也是随机的；（2）扩展节点的过程需要计算哪个节点是最近的，该过程非常耗时；（3）生成的路径是抖动的，无法直接被AUV跟踪[1]。（二）强化学习算法介绍强化学习算法是不同于监督学习算法的，但是也属于机器学习算法中的一种，是当下非常流行算法之一。强化学习算法解决的是智能决策的问题，准确的说是序贯决策的问题。序贯决策指的是连续不断地做出决策[3]。强化学习其实就是水下航行器与水下环境进行信息交互的过程，通过对水下环境反复试探，水下航行器不断了解到环境信息，指导AUV做出动作，并通过学习的方式不断去修正，直到做出该状态下的最好的动作。在和环境交互的过程中，是通过获得哪个动作能够获

【参考文献】：
期刊论文
[1]复杂环境下基于RRT的智能车辆运动规划算法[J]. 杜明博,梅涛,陈佳佳,赵盼,梁华为,黄如林,陶翔.  机器人. 2015(04)

硕士论文
[1]基于强化学习的路径规划问题研究[D]. 赵英男.哈尔滨工业大学 2017
[2]基于RRT的全局路径规划方法及其应用研究[D]. 王全.国防科学技术大学 2014



本文编号：3325349