一个改进的人工潜力场与RRT明星算法用于自动驾驶汽车路径规划.

科学领域:

• 机器人技术 机器人技术 机器人技术
• 人工智能的人工智能
• 计算机科学 计算机科学

背景情况:

• 传统的RRT*算法面临的挑战是采样随机性,缓慢的融合和路径流性.
• 有效的路径规划对于自主系统至关重要.

研究的目的:

• 开发一个改进的路径规划算法,解决传统RRT*的局限性.
• 为了提高收速度,减少采样随机性,提高路径质量.

主要方法:

• 提出了一个双向APF-RRT* (人工潜力场-RRT*) 算法.
• 整合了动态目标偏差,改进了人工潜力场和双树生长策略.
• 使用三角形不等式用于路径修剪和B-spline曲线,用于路径光滑使用线性插值.

主要成果:

• 通过BIAP-RRT*算法,可以显示出明显更快的趋同速度.
• 与传统的RRT*和其他改进的算法相比,实现了减少代次数.
• 结果证明了更顺和更高质量的路径.

结论:

• BIAP-RRT*算法有效地克服了传统RRT*的局限性.
• 在融合,效率和路径平滑性方面提供卓越的性能,用于机器人路径规划.