[发明专利]一种改进RRT算法的车辆路径规划方法

摘要

本发明涉及机器人路径规划技术领域，具体涉及一种改进RRT算法的车辆路径规划方法；为了使运用于智能车辆路径规划的RRT算法距离度量更加合理，同时规避精确求解最优尚需代价带来的计算开销，本发明考虑车辆的运动学约束，引入Dubins曲线作为距离度量，其中Dubins曲线对应于Dubins车辆的最短路径。同时，由于Dubins曲线具有非线性，为了加速计算，提出一种监督学习近似的方法，利用监督模型对距离度量进行线下训练学习，然后将其运用于线上预测。对本发明所提方法进行仿真实验，证实了其优越性、有效性，具有很强的应用价值。

主权项

1.一种改进RRT算法的车辆路径规划方法，包括环境地图和车辆模型，其起始点为q_start，目标点为q_goal，其特征在于，所述路径规划方法包括以下步骤：步骤1：初始化样本集S；步骤2：在车辆状态空间中随机生成两个状态点q₁和q₂，计算q₁到q₂的最短路径Dubins曲线长度c，将(q₁,q₂,c)添加到样本集S；步骤3：重复步骤2直到样本集S中样本达到指定数量；步骤4：根据得到的样本集训练回归模型，其中输入为(q₁,q₂)，输出为c，通过交叉验证选取回归误差最小且预测时间最小的模型F，以此来预测两个状态点间的距离。步骤5：设定目标领域距离范围thred，最大迭代次数maxIter；步骤6：初始化随机树T，将q_start作为根节点；初始化迭代次数iter＝0；步骤7：判断迭代次数iter是否大于maxIter；步骤8：从车辆自由状态空间C_free中随机采样状态点q_rand；迭代次数iter＝iter+1；步骤9：遍历随机树T，使用步骤4中的模型F预测树节点与q_rand之间的距离，找到距离q_rand最近的节点q_near；步骤10：计算从q_near到q_rand的Dubins曲线，然后随机树T从q_near沿Dubins曲线向q_rand扩展固定步长step到达新节点q_new；步骤11：对步骤8中q_near到q_new段曲线进行碰撞检测；步骤12：计算节点q_new与q_goal之间距离D；步骤13：从位于目标点领域的节点q_goal开始，根据父节点依次向前回溯到起点q_start，得到最终路径。