摘要：针对RRT^(*)-Connect算法在机械臂运动规划过程中存在效率低、精度差等问题,本文提出一种基于自适应步长的启发式RRT^(*)-Connect机械臂运动规划算法。引入目标偏向策略进行椭球子集约束采样,使采样点能够更快地收敛到最优值。在扩展节点时,设计一种自适应步长策略以减少算法的迭代次数,并有效缩短规划路径的长度。当搜索树中总节点数大于预设阈值时,通过搜索树优化剪枝方法对搜索树进行剪枝,删除无效的采样点,进一步降低运行时间。为了验证本文算法的优势,在多种规划场景下分别与RRT^(*)、RRT^(*)-Connect、IRRT^(*)算法进行了Matlab仿真对比。仿真结果表明,本文算法在规划过程中收敛速度更快,精度和效率更高。为了验证本文算法的实用性,构造了不同障碍物实验场景,在Sawyer机械臂实验平台进行实验验证。实验结果表明,本文算法在不同障碍环境下具有较强的适应能力。

摘要：针对机械臂实际作业中不能在线避障的问题,对最优快速随机搜索树(Optimal rapidly-exploring random tree,RRT*)进行改进并应用到机械臂空间,提出了在线避障运动规划算法。算法分为预规划和重规划两阶段。预规划阶段,算法在关节空间内进行采样并添加节点,同时将规划出的前k个节点送给机械臂控制器,直至搜索到目标节点进入重规划。重规划阶段,算法在路径节点附近进行采样以优化路径,当目标点发生移动时则以机械臂当前位置为起始点重新规划路径,形成闭环控制,直至机械臂运动到目标点。实验表明,该算法能够实现动态环境中的在线避障要求,具备可行性与有效性。