基于多局部引力势场偏置P-RRT*的移动机器人全局路径规划与优化方法研究

本文针对基于采样的移动机器人路径规划算法收敛慢、随机性强等痛点，提出融合多局部引力势场与偏置采样的MLGPFB-P-RRT算法。通过构建起点-目标点间局部引力场引导随机树生长方向，结合偏置采样优化节点生成，并开发快速碰撞检测与路径平滑方法，显著提升路径质量与规划效率。仿真与实物实验验证了算法在复杂环境下的优越性能（RRT/P-RRT/Bias-RRT）。

　　

Highlight

• 在P-RRT*基础上引入起点与目标点间的局部引力势场，显著提升随机树生长方向导向性

• 开发随机生成树在目标点的快速收敛方法，避免目标点附近盲目搜索

• 提出采样节点与障碍物间的碰撞检测方法，快速判定采样路径可行性

• 通过局部势场偏置采样优化随机点生成质量，降低机器人采样随机性

• 采用剪枝优化与二次B样条函数对生成路径进行平滑优化，提升机器人运动适配性

Introduction

智能移动机器人作为具备高度灵活性与自主性的智能设备，在工业、服务、医疗、农业及救援等领域广泛应用。路径规划是机器人实现安全高效自主作业的核心技术，其使自主系统能在障碍物环境中从起始状态到目标状态找到无碰撞路径。本文聚焦移动机器人在工作空间中的全局路径规划问题。

当前全局路径规划算法主要分为基于采样、基于搜索与基于仿生三类。仿生算法（如粒子群算法PSO、蚁群算法ACO）虽环境适应性较强，但需大量前期学习成本；搜索类算法（如A、D）仅适用于低维环境；采样类算法（如RRT）具有概率完备性、环境适应性与三维扩展能力，但存在收敛速度慢、随机性强、路径非最优等缺陷。本文通过大量文献研究并结合移动机器人应用需求，针对上述痛点提出改进方法。

Section snippets

Problem definition

定义机器人工作空间为X，障碍物区域为X_obs，自由运动空间为X_search=X/X_obs。起始点X_start∈X_search，目标点X_goal∈X_search。机器人运动路径由有界变量连续函数?:[0,1]→X表示，若??∈[0,1]且?(?)∈X_search，则路径?为可行路径。

Related works

本节概述基于采样的路径规划方法，重点分析RRT、RRT、P-RRT与Bias-RRT原理，为MLGPFB-P-RRT算法引入奠定基础。

Local gravitational potential field

针对P-RRT*算法采样节点随机性导致随机树难以向目标点集中生长的问题，以机器人起始点X_start与目标点X_goal连线L_s-g为参考，定位该连线穿越的n个障碍物，通过构建局部引力场引导随机树沿显著区域生长，提升采样效率。

Simulation results and comparative analysis

为验证算法性能，在两种典型二维环境地图（1000m1000m）中对比RRT、Bias-RRT、P-RRT、Bias-P-RRT与MLGPFB-P-RRT。所有仿真在Intel i7-12700H/8GB RAM/MATLAB R2022a平台完成。

Experimental testing with mobile robot

采用TurtleBot3 Waffle Pi差分驱动移动机器人（最大转速1.82rad/s）实现MLGPFB-P-RRT*算法，实验基于Ubuntu18.04与ROS Melodic系统。实验室场地中通过增设箱体模拟障碍物环境，验证算法实物平台适应性。

Conclusions and future works

本文通过基于P-RRT*引入局部引力势场与偏置采样，实现移动机器人全局路径规划优化。通过在起点-目标点连线障碍物处创建局部引力场，引导随机树向目标方向生长，提升显著区域采样概率，优化搜索效率与路径质量。未来工作将聚焦动态环境适应性与多机器人协同路径规划。