[发明专利]一种基于RRT算法改进的车辆规划算法

说明书

一种基于RRT算法改进的车辆规划算法，属于路径规划领域，包括两个阶段，第一阶段找到一定数量的引导根节点。首先，已知在地图上的障碍物的数量、分布情况，起始节点与目标节点，通过计算和碰撞检测得到引导根节点的集合，该引导根节点分布在起始节点指向目标节点的路径上，具有导向性且不与周围的障碍物发生碰撞。第二阶段，将起始节点、目标节点和引导根节点放入一个根节点的集合中，逐个开始扩展节点，引导树的生长，当两棵树的叶子节点的最近距离小于等于步长，就将两棵树合并为一棵树。当所有的树合并成为一棵树，即同时含有起始节点与目标节点，则寻路成功。本发明在原有的RRT路径规划算法上进行改进，使得在复杂路况也可以快速寻径，快速收敛。

技术领域

本发明属于路径规划领域，涉及一种快速扩展随机树算法(Rapidly-exploringRandom Tree，RRT)的改进，尤其涉及一种基于RRT算法改进的车辆规划算法MT-RRT。

背景技术

近几年无人驾驶技术发展的非常迅速，路径规划作为其中的重点技术，也得到了广泛的关注与发展。车辆的路径规划是为了在复杂的环境中为车辆从起始位置到目标位置规划出一条可以通过的与障碍物没有碰撞的路径。目前的路径规划算法的种类有很多种，常用的主要包括蚁群算法，A*算法，人工势场法，遗传算法以及RRT算法等等。

关于RRT算法的改进目前也有非常多种，Urmson等人提出具有节点偏置概率的hRRT算法，使扩展更具有目的性增强节点的利用率。Frazzoil提出了具有渐进最优性的RRT*算法，基于均匀的采样，在RRT节点扩展基础上添加随机几何图形与剪枝算法优化理论，确保随机树的节点可以收敛到当前最优值，但是节点的计算量很大。除此之外还有SRRT算法，RRT-Connect算法等。以上对RRT算法的改进分别从对随机点的采样是否均匀，步长是否动态变化，扩展的方向做出了不同程度的改进，来提高算法的性能。还有一种针对RRT算法的改进主要是通过与其他路径规划算法的融合，比如与A*算法，与人工势场算法的融合。文章提出的MT-RRT算法计算一定数目的根节点来生成局部生成树，提高算法的导向性，增强节点的利用率，加快算法的收敛速度。

发明内容

针对RRT算法节点利用率低，区域搜索重复度高，缺少目的性以及收敛速度慢的问题，本文提出了一种基于RRT算法进行改进的MT-RRT算法，该方法的全称为基于多向的快速扩展随机树(Multi-Targeting Rapidly-exploring Random Tree，MT-RRT)。即通过计算在目标路径上的一定数量的无碰撞引导根节点，生成多棵局部生成树最终合并为一棵树找到一条可通过的路径。

为了达到上述目的，本发明采用的技术方案为：

一种基于RRT算法改进的车辆规划算法MT-RRT，用于解决车辆的路径规划问题，即从起始位置向目标位置规划出一条无碰撞的路径，步骤如下：

步骤一：已知障碍物的数量、分布情况、起始节点与目标节点，判断起始节点到目标节点的距离是否小于步长和是否与障碍物发生碰撞：如果距离小于步长并且没有与周围障碍物发生碰撞，直接连接起始节点与目标节点，此时直接连接起始节点，与目标节点，寻路完成。否则调用计算引导根节点的方法(collisionZ(x_init,x_goal,Map)方法)得到一定数目的引导根节点，放入集合中。该方法具体步骤如下：

(1.1)调用collisionZ(x_init,x_goal,Map)方法，输入起始节点目标节点，地图上障碍物的数量，分布情况。连接起始节点x_init与目标节点x_goal得到直线l，计算直线的斜率与截距。