复杂环境下基于采样空间自调整的航迹规划算法

摘要

针对具有渐进最优性的快速扩展随机树(RRT*)算法在面对高维、复杂环境时所表现出的寻路效率低、收敛速度缓慢的问题,在RRT*的基础上,提出一种基于采样空间自调整的渐进最优快速扩展随机树(AS-RRT*)无人机(UAV)航迹规划算法.该算法可以自适应调整采样空间,进而引导树更为高效地生长,而这些主要通过有偏采样、节点筛选和节点学习这三种策略来实现.首先,在采样空间中定义向光和背光区域来进行有偏采样,而向光和背光区域的概率权重由当前扩展失败率决定,从而保证算法在搜索初始航迹时同时具有探索性和方向性;然后,在完成初始航迹的搜索后,算法就开始周期性地筛选节点,高质量的节点作为学习样本来产生新的抽样分布,质量最低的节点在算法达到最大节点数量后被新节点替代.在多种不同类型的环境下进行了对比仿真实验,结果表明所提算法在一定程度上改善了采样算法固有的随机性,而且相较于传统的RRT*算法,该算法在相同环境里使用了更少的寻路时间,在相同时间里生成了更低代价的航迹,且在三维空间里的改进更为明显.