[发明专利]足球机器人GGRRT路径规划方法

说明书

本发明公开了足球机器人GGRRT路径规划方法。为了提高足球机器人搜索效率，使其能在比赛中迅速做出反应，占据主动地位，本发明提出GGRRT路径规划算法。在原有RRT算法基础上引入目标导向函数，此时，生长函数不再由随机增长函数单独决定，而是由随机增长函数和目标导向函数共同决定。这相当于增加了目标点对研究对象的吸引力，可以有效地引导随机树朝着目标方向生长。实验结果表明，应用本发明所提出的GGRRT算法进行路径规划，消耗的时间仅为原来RRT算法所用时间的1/12～5/6，多余分支数也大大减少，有效地解决了足球机器人盲目搜索问题，大大提高路径规划效率。

技术领域

本发明属于机器人路径规划的优化方法，在快速扩展随机树(Rapidly-exploringRandom Trees，简称RRT)算法的基础上引入目标导向函数，形成基于目标导向的快速扩展随机树(Goal Guide Rapidly-exploring Random Trees，简称GGRRT)算法，该算法可有效避免机器人的盲目搜索，大大减少搜索时间，适用于动态的、任意复杂度的应用场景，可在机器人足球比赛中发挥重要作用。

背景技术

在最近几年中，随着人工智能火热迅猛地发展，机器人再一次受到前所未有的关注，以NAO机器人为代表的足球比赛成为各国争先竞技的热点项目，也成了衡量智能化水平的重要指标。2007年7月，NAO被机器人世界杯RoboCup的组委会选定为标准平台，RoboCup分为不同的比赛组。“标准平台组”(Platform Standard League)中，各队使用统一的机器人进行比赛，所有的参赛队伍只需比拼软件开发水平。机器人运作完全是自动式的，没有外界控制，也没有人和电脑控制。机器人如何在动态、任意复杂度的场景下迅速地规划出最优路径，是一个十分具有挑战性的问题。显而易见的是，在这样的竞技比赛中，谁能最快最准地做出反应，谁就能占据绝对优势。

机器人足球比赛中最常用到的方法是RRT算法，之所以选择这种算法，是因为与其他算法相比，RRT具有如下三点优势：1、对状态空间中的采样点进行碰撞检测，避免了对空间的建模；2、随机树扩展的速度快，使得搜索效率较高；3、适合解决动态、多障碍物的复杂环境下的路径规划问题。但是，实际比赛结果证明，将传统的RRT算法应用于机器人足球比赛中，虽然也能保证比赛的正常、顺利地进行，却丝毫不具备取胜的实力。这是什么原因呢？因为路径规划的实时性、准确性和高效性，是足球机器人的核心和关键所在，而RRT采样随机性决定了机器人搜索过程是盲目的，随机树将会扩展出很多与最终路径无关的节点，只有当某一时刻，随机树中的叶子节点包含了目标点或进入了目标区域，才可以在随机树中找到一条由树节点组成的从初始点到目标点的路径，整个过程中搜索的目的性不强，延长了路径搜索、规划的时间。因此，将这样的一套算法应用于机器人足球比赛，是没有竞争力的，需要对RRT算法进行改进。

为了提高足球机器人搜索效率，本发明提出基于目标导向的快速扩展随机树(GGRRT)算法。将目标导向思想加入RRT算法，类似于人工势场法中目标点对研究对象有一个吸引力，从而引导随机树朝着目标方向生长。

发明内容

本发明依据目标导向思想提出GGRRT算法，有效地提高路径搜索效率，避免搜索过程的盲目性。在90x90的环境下进行仿真，并设置了简单、一般、复杂三种不同的实验场景。通过多组实验结果的比对和分析，本发明证实了无论处于哪种环境，RRT算法和GGRRT算法均能找到一条由起始点到目标点的合理通路，但相比之下，GGRRT路径规划算法避免了漫无目的地搜索，多余分支显著减少，计算量也随之减小，规划时间变短，大大提高了路径规划效率。GGRRT算法的提出，使得盲目搜索问题得到极大改善，实现了对足球机器人的路径优化。因此，可以将GGRRT路径规划算法应用于任意环境下的足球机器人大赛当中。

本发明是通过以下技术方案实现的，足球机器人GGRRT路径规划方法，本方法包括以下步骤：

第一步、机器人当前位置坐标为(nearestNode.posX，nearestNode.posY)，以该节点为父节点，计算其子节点的坐标(tempNode.posX，tempNode.posY)。