[发明专利]基于高斯采样和目标偏向引导的快速扩展随机树算法的机器人运动轨迹计算方法、电子设备及存储介质

权利要求书

1.基于高斯采样和目标偏向引导的快速扩展随机树算法的机器人运动轨迹计算方法，其特征在于包括以下步骤：

S1：将含障碍物信息的环境地图，机器人初始点构型x_init、目标构型x_goal输入规划系统；初始化各个参数，包括循环变量i、最大迭代次数N、局部最优代价函数c_best、目标区域检查半径R；

S2：判定循环变量i是否大于最大迭代次数N，若是，则进行S3；若否，则跳出循环至S8；

S3：在自由空间C_free内进行高斯采样，得到随机样本点x_rand，迭代次数递增1，迭代开始；

S4：以初始构型x_init为父节点开始生长树，选择距离树欧氏距离较近的样本点x_nearest；

S5：在随机样本点x_rand、x_nearest和目标构型x_goal共同影响下的方向矢量上，按照步长公式计算得到目标偏向的扩展新节点的位置；

步长公式为：

上述公式中的参数k₁、k₂为可调节参量，当距离障碍物空间较近时令k₁k₂，增加随机性使扩展过程摆脱局部最小值，当x_near处于节点稀疏的自由空间时，令k₁k₂，使节点选择趋向于目标构型；

S6：在取得新节点x_new后，对其周围紧邻区域进行考察并进行结构重组，即重选父节点和重连边的操作；

结构重组过程为：分别计算x_new和x_near沿树连边到初始构型x_init的路径代价c_new和Cost(x_near)，若Cost(x_near)+c.Line(x_near,x_new)c(x_new)，则调整参数按照S5重新选择x_new及其父节点x_parent；否则，新节点x_new赋给局部最优节点x_min；得到局部区域内最优节点x_min及对应的最小代价c_min，连接x_min和x_parent作为新边加入树结构；最后返回x_min和c_min；

S7：对新结点x_new进行碰撞检查，若通过则将新节点x_new加入到节点集合V，将新边e_new加入到边集合E，并计算此刻x_new到x_near和x_near沿树连边到x_init的路径代价c_new和Cost(x_near)；

S8：通过函数GoalRegion判断新结点x_new是否到达目标构型近邻区域，若是，则进入步骤S9；若否，则重新进入S4步骤的循环；

S9：连接树与目标构型，并对树的整体进行剪枝和平滑操作，最终得到机器人运动轨迹。

2.根据权利要求1所述基于高斯采样和目标偏向引导的快速扩展随机树算法的机器人运动轨迹计算方法，其特征在于：S3中，高斯采样的参数包含初始构型x_init、目标构型x_goal以及局部最小代价函数c_best。

3.一种电子设备，其特征在于：包括处理器、存储器、通信总线、网络接口；其中，处理器用于执行如权利要求1或2所述的机器人运动轨迹计算方法；存储器包括内部存储器和外部存储器，内部存储器用于为操作系统和程序执行提供临时性存储环境，外部存储器用于存储现场数据、缓存和记录工作日志；通信总线包括地址总线和数据总线，用于各组件之间发送控制命令和传输数据。