【路径规划】基于信息的RRT方法在非完整系统中的应用—

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。
🍎 往期回顾关注个人主页：Matlab科研工作室
👇 关注我领取海量matlab电子书和数学建模资料
🍊个人信条：格物致知,完整Matlab代码获取及仿真咨询内容私信。

🔥内容介绍

本文介绍了一种机器人车辆路径规划算法的开发与实现过程，并详细阐述了一款能够引导车辆自动驶入停车位的机器人泊车辅助系统。该算法基于快速探索随机树（RRTs），旨在寻找从初始位置到目标位置的最短路径，并采用了多种优化方法来提高收敛速度和准确性。我们的项目在模拟环境中实施，以便评估算法性能并确定改进方向。本文将概述算法的设计与实现，讨论遇到的挑战，并提供结论以及进一步开发的建议。

算法原理：基于快速探索随机树（RRTs）

该算法基于快速探索随机树（RRTs），这是一种常用于路径规划的搜索算法，特别适用于高维空间和复杂环境下的路径搜索。其核心原理在于通过随机采样的方式逐步构建一棵树，这棵树从初始位置开始生长，不断向周围空间探索，直到找到目标位置或满足一定的终止条件。

在实际应用中，对于机器人车辆的路径规划，算法首先确定车辆的初始位置作为树的根节点。随后，在搜索空间内随机生成一个采样点，接着从树中已有的节点寻找距离该采样点最近的节点，尝试从这个最近节点向采样点扩展一条新的边。如果新扩展的边不与任何障碍物发生碰撞，那么就将新的节点和边添加到树中。如此反复迭代，树会逐渐覆盖搜索空间，当树中某个节点与目标位置足够接近时，便找到了一条从初始位置到目标位置的路径。通过这种方式，RRTs 算法能够在复杂的环境中快速找到可行路径，并且随着迭代次数的增加，有较大概率找到最短路径。

优化策略：多法并行提升性能

为进一步提升算法的收敛速度和精度，我们采用了一系列优化方法。在采样策略上进行优化，摒弃完全随机的采样方式，采用带有一定偏向性的采样策略。例如，增加在目标位置附近的采样概率，使得树能够更快地向目标位置生长，有效减少不必要的搜索空间，加快收敛速度。在路径优化阶段，采用了路径平滑算法。当算法初步找到一条从初始位置到目标位置的路径后，该算法会对路径进行分析，检测路径中是否存在过于曲折或冗余的部分。若存在，则通过调整路径上的节点，去除不必要的弯折，使路径更加平滑，从而缩短路径长度，提高算法的准确性。还引入了局部重规划机制。当机器人车辆在行驶过程中检测到环境发生变化（如突然出现新的障碍物）时，不是重新进行全局路径规划，而是基于当前位置和新的环境信息，在局部范围内对原路径进行重新规划。这样既能快速响应环境变化，又能避免全局重规划带来的高计算成本，保证算法在动态环境中的实时性和适应性。

模拟实践：虚拟环境检验成效

我们的项目在模拟环境中进行实施，这为评估算法性能提供了便利且可控的条件。在模拟环境搭建过程中，我们精确构建了与真实停车场场景高度相似的虚拟环境，包括不同类型的停车位（如平行车位、垂直车位）、道路布局、障碍物分布等。通过设定一系列的模拟场景，如不同的车辆初始位置和目标停车位组合、不同的障碍物分布情况，来全面测试算法在各种情况下的表现。

在模拟运行过程中，记录了大量的关键数据，包括算法找到路径的时间、路径长度、车辆行驶过程中的转向次数和速度变化等，这些数据为评估算法性能提供了量化依据。通过对这些数据的深入分析，我们能够准确评估算法在收敛速度、路径规划准确性等方面的性能。例如，通过对比不同场景下算法找到路径的时间，我们可以直观地了解算法在不同复杂程度环境中的收敛速度；通过分析路径长度数据，能够判断算法找到的路径是否接近最优解，从而评估其准确性。

我们还利用模拟环境的可重复性和灵活性，对算法进行了多轮次测试和改进。当发现算法在某些场景下存在性能不足时，如路径规划不够合理导致行驶距离过长，或者收敛速度较慢无法满足实时性要求，我们会针对性地调整算法参数或优化策略，并再次在模拟环境中进行测试，观察改进效果。通过这种反复迭代优化的过程，不断提升算法性能，使其能够更好地适应实际应用中的各种复杂情况。

挑战与应对：开发路上的难题破解

在算法设计与系统开发的过程中，我们遭遇了诸多挑战。在复杂环境建模方面，要准确模拟现实世界中的各种情况并非易事。现实场景中，停车场环境存在各种不规则形状的障碍物，如异形的建筑物、随意停放的车辆等，如何精确地将这些复杂的障碍物信息融入到模拟环境的模型中，以确保算法在模拟环境中的训练和测试能够真实反映实际应用场景，是一个亟待解决的问题。为应对这一挑战，我们采用了先进的三维建模技术和激光扫描数据处理方法。通过对真实停车场进行激光扫描，获取高精度的环境数据，然后利用专业的三维建模软件，将这些数据转化为逼真的虚拟环境模型。在建模过程中，针对不规则障碍物，我们采用了细分曲面建模和布尔运算等技术，精确构建其几何形状，并合理设置其物理属性和碰撞检测参数，从而有效解决了复杂环境建模的难题。

算法的实时性也是一大挑战。随着环境复杂度的增加以及车辆行驶过程中对实时决策的高要求，如何在有限的计算资源下，保证算法能够快速生成路径规划结果，成为关键问题。当停车场内车辆众多、障碍物密集时，算法的计算量会呈指数级增长，导致计算时间过长，无法满足车辆实时行驶的需求。为解决实时性问题，我们从硬件和软件两方面入手。在硬件上，采用了高性能的计算芯片和并行计算架构，利用多核心处理器和图形处理单元（GPU）的并行计算能力，加速算法的计算过程。在软件方面，对算法进行了深度优化。通过改进数据结构，如采用哈希表和四叉树等高效的数据结构来存储和管理环境信息和路径搜索过程中的节点信息，减少数据查询和操作的时间复杂度；同时，对算法的搜索策略进行了优化，采用双向搜索和启发式搜索相结合的方式，使算法能够更快地找到目标路径。通过这些措施，有效提高了算法的实时性，满足了实际应用的要求。

⛳️ 运行结果

📣 部分代码

obstacle1 = [35 45 10 35];

obstacle2 = [40 10 20 15];

%define parking spot based on above constants

parking_width = w_car*parking_spot_to_car_ratio;

parking_length = l_car*parking_spot_to_car_ratio;

thres_radius = parking_width*1.5;

X0 = x_goal - parking_width/2;

X1 = x_goal + parking_width/2;

Y0 = y_goal - parking_length/2;

Y1 = y_goal + parking_length/2;

Y3 = y_goal - 1.5*parking_length;

obstacle3 = [X0 Y1 parking_width parking_length]; %parallel parking spot above

obstacle4 = [X0 Y3 parking_width parking_length]; %parallel parking spot below

X2 = x_goal - 1.5*w_car*parking_spot_to_car_ratio;

obstacle5 = [X2 Y3 parking_width 3*parking_length]; %wall on left

th_max = 2*pi();

flag_success = 0;

flag_near_goal = 0;

goal = 0;

%non-holonomic values

dt = 0.1;

v_range_far = 1:1:10;

v_range_near = thres_radius*(-1):0.1:thres_radius;

steer_range_far = -0.8:0.2:0.8; %-45 to 45 deg

🔗 参考文献

[1] Noreen, I. (2016).A Comparison of RRT, RRT* and RRT*-Smart Path Planning Algorithms,VOL.16(NO.10), 1–8.

[2] LaValle, S. M. (n.d.).PLANNING ALGORITHMS. Retrieved January 6, 2023, from http://www.lavalle.pl/planning/book.pdf

[3] Aaron, T. B. (2018, January).Wolfram Demonstrations Project. Rapidly Exploring Random Tree (RRT) and RRT*. Retrieved January 5, 2023, from https://demonstrations.wolfram.com/RapidlyExploringRandomTreeRRTAndRRT/

[4] J. D. Gammell, S. S. Srinivasa and T. D. Barfoot, "Informed RRT: Optimal sampling-based path planning focused via direct sampling of an admissible ellipsoidal heuristic," 2014 IEEE/RSJ International Conference on Intelligent Robots and Systems, 2014, pp. 2997-3004, doi: 10.1109/IROS.2014.6942976.

🎈 部分理论引用网络文献，若有侵权联系博主删除

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌟 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、风电场布局、时隙分配优化、最佳分布式发电单元分配、多阶段管道维修、工厂-中心-需求点三级选址问题、应急生活物质配送中心选址、基站选址、道路灯柱布置、枢纽节点部署、输电线路台风监测装置、集装箱调度、机组优化、投资优化组合、云服务器组合优化、天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、订单拆分调度问题、公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位、冷链、时间窗、多车场等、选址优化、港口岸桥调度优化、交通阻抗、重分配、停机位分配、机场航班调度、通信上传下载分配优化

🌟 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌟图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌟 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、充电车辆路径规划（EVRP）、双层车辆路径规划（2E-VRP）、油电混合车辆路径规划、船舶航迹规划、全路径规划规划、仓储巡逻、公交车时间调度、水库调度优化、多式联运优化

🌟 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划、

🌟 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌟 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌟电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电、电/冷/热负荷预测、电力设备故障诊断、电池管理系统（BMS）SOC/SOH估算（粒子滤波/卡尔曼滤波）、多目标优化在电力系统调度中的应用、光伏MPPT控制算法改进（扰动观察法/电导增量法）、电动汽车充放电优化、微电网日前日内优化、储能优化、家庭用电优化、供应链优化\智能电网分布式能源经济优化调度，虚拟电厂，能源消纳，风光出力，控制策略，多目标优化，博弈能源调度，鲁棒优化

电力系统核心问题经济调度：机组组合、最优潮流、安全约束优化。新能源消纳：风光储协同规划、弃风弃光率量化、爬坡速率约束建模多能耦合系统：电-气-热联合调度、P2G与储能容量配置新型电力系统关键技术灵活性资源：虚拟电厂、需求响应、V2G车网互动、分布式储能优化稳定与控制：惯量支撑策略、低频振荡抑制、黑启动预案设计低碳转型：碳捕集电厂建模、绿氢制备经济性分析、LCOE度电成本核算风光出力预测：LSTM/Transformer时序预测、预测误差场景生成（GAN/蒙特卡洛）不确定性优化：鲁棒优化、随机规划、机会约束建模能源流分析、PSASP复杂电网建模，经济调度，算法优化改进，模型优化，潮流分析，鲁棒优化，创新点，文献复现微电网配电网规划，运行调度，综合能源，混合储能容量配置，平抑风电波动，多目标优化，静态交通流量分配，阶梯碳交易，分段线性化，光伏混合储能VSG并网运行，构网型变流器，虚拟同步机等包括混合储能HESS：蓄电池+超级电容器，电压补偿,削峰填谷，一次调频，功率指令跟随，光伏储能参与一次调频，功率平抑，直流母线电压控制；MPPT最大功率跟踪控制，构网型储能，光伏，微电网调度优化，新能源，虚拟同同步机，VSG并网，小信号模型