基于快速探索随机树的目标导向与主动检测路径规划

《Scientific Reports》：Goal-oriented and active-detection based on rapidly-exploring random tree for path planning

　　

摘要

基于采样的路径规划器，如快速探索随机树算法（RRT*），已被广泛应用于自主机器人导航，但在稠密障碍物环境中存在随机树无序生长和局部环境感知不足的问题。为克服这些固有缺陷，本文提出了一种新型的目标导向与主动检测快速探索随机树算法（GOAD-RRT*）规划器。在全局层面，设计了一种基于自适应概率的节点选择策略，通过估计的路径代价进行加权，以动态调整目标偏向并抑制无效随机采样，从而缓解随机树的无序扩展。在局部层面，集成了一种圆形邻域主动检测模块，用于自适应地探索每个节点周围的可行扩展方向，增强局部障碍物感知并生成更平滑的无碰撞轨迹。所提出的规划器继承了RRT*的本地重连机制，从而保持其渐近最优性。在多尺度仿真环境中进行的一系列消融和对比实验验证了GOAD-RRT*相较于其他最先进的基于采样的规划器具有更优越的性能。未来研究将聚焦于检测模块的轻量化优化，以将该方法扩展到高维构型空间。