《结合遗传算法的RRT路径规划算法优化研究11000字》

结合遗传算法的RRT路径规划算法优化研究内容提要：本文研究了基于快速搜索随机树RRT算法的机器人路径规划，任务是在给定的歹徒上寻求一条从设定的起始点开始到设定的目标点结束规划出一条无碰撞路径。完成了利用MATLAB程序构建的平台实现路径规划进行路径规划算法进行仿真实验的测试。设计通过多个不同环境用来验证算法的实用性，有效性和普遍性。通过在复杂地图中通过改变RRT算法的步长，随机采样来对比实验结果用来验证对算法的影响。大量结果表明，通过改进算法的步长，采样概率能极大的影响算法中随机树向着目标点前进的路径的长度，合理性和最终的探索时间。该算法可以很容易的处理有障碍物约束以及机器人本身约束的地图当中去，因而被广泛的适用于到各种有着路径规划背景智能机器人中去，可以有效去处理，有存在大量形状不规则障碍物和其障碍物分布位置不均匀的复杂环境中且有着髙自由度的机器人的运动规划问题。关键词目录28645内容提要 I17934关键词 I10209目录 (张静怡,赵天宇,2022)20148第一章绪论 1188921.1课题的研究背景及意义 1195851.2国内外研究现状 1246661.3本论文主要研究内容及章节安排 210518第二章RRT算法功能和优缺点的阐述 3310992.1.RRT算法的优缺点具体阐述; 387492.1.1RRT算法的优点 3198152.1.2RRT算法的缺点 3171452.2RRT算法功能阐述 417782.2.1度量函数 4280722.2.2随机采样 5326662.2.3最近邻函数 576092.2.4碰撞检测功能 65358第三章仿真实验 846803.1地图实验 9108133.2参数调整实验 1016560第四章RRT-connet仿真实验 138411第五章结论 1429106参考文献 16山西大学 山西大学自动化系本科毕业论文撰写规范 1第一章绪论1.1课题的研究背景及意义机器人作为新时代的生成工具为人类服务，代替人类从事在有着危险恶劣的工作环境的繁重工作。它们被广泛应用在医疗，服务，军事，工业等领域。对人类的探索新环境，提高生产力，提高生活水平具有重要的意义。智能路径规划能够根据移动机器人的不同的要求规划出所需要的路径，其主要的任务是是确保计提供算法的计算机为机器人提供一条在给定环境中从给定起点到给定目的地的无碰撞路径。同时在此基础上能够提高性能（即路径最短，最短用时，降低能耗）等诸多条件(张逸凡,周紫晴,2022)。路径规划在尖端领域的应用有：在无人机的飞行期间规避障碍物的路线设计；导弹躲避敌方雷达搜索以及拦截、防反弹袭击,月球探索车的路径规划，从这些信息可以看出工业机械臂的路径规划，巡检机器人的路径规划。在居民日常生活领域的应用有：汽车，船舶等GPS的导航应用，扫地机器人的路径规划（机器人自主寻找充电桩和规划最短路径）(潘奕凡,朱可欣,2023)。在物流运输领域的应用有：快递分类机器人的轨迹运输路线设计问题，卡车的的轨迹。路径规划不仅在今天的生活中大放异彩，从这些数据可以明显看出它也将成为未来人类开拓新领域的重要研究课题。如今，机器人在制造业的发展中发挥着重要的作用，社会对它们的需求也越来越大。移动机器人需要自主、实时和快速地去避开地图上存在的的障碍物，找到一条供给给机器人的可持续的路径到达目的地。由于这个原因，路径规划问题是移动机器人基础的课题(魏琪琳,邵宇翔,2021)。迄今为止，传统移动机器人的轨迹径规划算法都需要对机器人移动的工作空间进行数学建模和描述，在解决具有低自由度的简单路径规划具有优势算法如人工势场法，蚁群算法，深度学习，概率路线图，可视图，遗传算法，等。但还是存在很多不足，尤其是解决非完整性的（局部规划）、约朿（机器人的空间约束，路径约束）规划情况下，过多的考虑导致了算法的冗余(李高,张芸,2023)。同时,限制了其只能在低维度空间使用的原因是这些传统算法的计算的复杂性，而且在复杂维度空间自适应差，适应性低。以此为前提在诸多常见的规划方法中具有代表性的方法有：Djikstra提出的算法Dijkstra法REF_Ref28101\r\h[13]、Hart提出的A*算法REF_Ref28101\r\hREF_Ref28692\r\h[14]、stentz提出的D*算法，Phi*算法，模糊逻辑算法、模拟退火法、可视图法REF_Ref28888\r\h[16]等，这些算法往往在着手解决问题的过程中有着上述提道的问题，建模难、搜索地图能力的不足且占用计算机的大量计算空间，不同的问题之间使用的算法不通用。1.2国内外研究现状由于RRT算法的优势;不需要对机器人移动的工作环境空间进行数学建模和描述，强大且灵活的搜索能力，使得很快从众多路径规划算法中脱颖而出引起诸多学者的关注在完善的路线规划算法时，各种规划算法都会遇到很多困难，尤其是其自身算法的上限带来的局限性约束(王晨曦,周瑶瑶,2022)。大量的研究暴露了针对与RRT算法的不足：RRT算法本身不同于其他算法的优势，围绕这种局面展开反而可能制约到了其发展。因此国内外学者针对RRT算法进行了不同的改进，使其可以适应于日益增长的路径规划应用要求。Kuffner和LaValle提出了双向搜索随机数（Bi-RRT）,在目标点不在作为单纯的目的地存在，也有作为起始点的作用，在此情境之下向周围探索生成路径，加快算法的收敛，由此衍生出RRT-connect，相较于前者极大的极高了随机树生成速度(赵心怡,李宇昕,2020)。为适应复杂环境（多不规则障碍，多狭窄通道），提出了一种RRT算法，该算法根据障碍物边界优先选择狭窄空间。Cheng在RRT运动规划中提出改进度量函数，在RRT搜索过程中给利用代价算多次探索来达到度量函数自主学习改进路径(刘瑞琳,陈云霞,2021)。Dubins路径被引入以解决路径的非光滑性问题，但这些路径是不连续的，因为它们是直线和直线的结合，在这一状况里生成不连续路径，效果不理想。为了解决这些问题Fraichard和Scheuer建议了使用回旋曲线来处理。不同上述的方法DynamicRRT(DRRT)算法，为了去除不合适的节点和分支，在快速扩展随机树生长环节中添加了一个修剪与合并多余的冗余节点和分支的算法流程，然后用DRRT算法去筛选由于环境变化而变得无效的节点和分支，在这种情况框架下同时保留剩余可用的分支形成了一个随机树路径(周杰伦,杨星雨,2023)。魏琪琳,邵宇翔提出引导随机树标记狭窄通道的进行探索扩展，提高随机树窄道寻路的能力。以上结果在一定程度上引证了本文先前构建的理论模型。首先已有的研究结果分析与理论预测保持了较高的一致性，验证了理论框架中中提出的机制的有效性。具体而言，通过研究发现关键变量之间的相关性及趋势与模型预测相吻合，这不仅增强了理论框架的可信度，也为进一步探索该领域内的复杂关系提供了实证基础。其次结果的符合性表明，理论模型中所考虑的影响因素和它们之间的相互作用是合理的，这对于理解研究现象的本质具有重要意义。该算法不适合自动执行的原因是:这种方式虽然解决了随机树选择路径问题，但每个人的寻路标准是不同的，使得这种人与计算机的交互也增加了人的工作量，1.3本论文主要研究内容及章节安排本文共分五章，具体内容如下：绪论，通过对机器人近几年的发展，路径规划的应用，其他算法的缺点阐述，国内外学者对RRT算法的研究，介绍了其十几年的发展。介绍了快速和扩展的随机树路线规划（RRT）算法的优点和缺点，随后详细介绍了经典RRT算法的特性，并总结了研究有移动目标的机器人的路线规划时遇到的问题。第三章，通过MATLAB平台仿真实验来验证RRT算法的可行性。通过构建多个地图来验证RRT算法的优势，介绍算法的的建模过程研究针对RRT算法的步长，概率等方面对探索树生长的影响，通过在简单区域和复杂区域的探索时间和碰撞次数来体现。第四章，介绍研究基于RRT算法的改进算法RRT-connect算法的研究本章主要介绍有：1.叙述RRT-connect算法的原理。2利用MATLAB平台实验算法的成功，通过结果分析，验证其相较于RRT算法的优势。第五章，总结实验结果，同时总结研究中过程中的不足和缺陷，对未来工作做了合理的展望。

第二章RRT算法功能和优缺点的阐述本章基于研究其余算法的前提下，对RRT算法对比其余算法的优势进行阐述。然有优点就有缺点，人无完人，算法由人提出肯定有缺点，基于提出的缺点，对RRT功能的分析。在第三章通过仿真实验，确保路径的生成。2.1.RRT算法的优缺点具体阐述;2.1.1RRT算法的优点RRT在概率完全算法中，如果路径存在且时间⽆限时，那么路径设计是确定的。该算法通过从周围的空间中随机取样，引导扩展随机树以指定的步长朝着的取样的方向向着空间未被探索部分生长，在这种局面下考量直至整个空间被填满或者到达指定的生长位置，从而确定路径节点，生成路径(张静怡,赵天宇,2022)。这一结果与已有的文献结论大致相同，这也验证了前期研究中所提出的构思，从而进一步巩固了本文对该现象本质的认识。这一发现不仅为学术讨论提供了新的证据支持，还为实践领域提供了可依赖的理论依据。它促使本文重新审视现有的理论模型，思考如何通过细微调整或创新来增强模型的解释力和预测精度。它可以解决多自由度的高纬度空间环境下机器人的大段独立性的复杂路径规划问题是因为该算法不需要预处理任何地图，并可直接应用于具有不完整约束的地图当中去。因应这情况的发展在当前的路径规划的算法研究当中，多数算法无法做到在高维空间兼有算法简单性，在低纬空间中做到算法的普适性，低纬空间和高维空间算法无法同时兼用(陈瑶瑶,王彦君,2020)。从这些信息可以看出由于算法的局限以及复杂性，工作空间必须提前处理并且处理的精度要高的情况下才能运用，在适用空间中随着空间维度和障碍物密度的提高，从这些数据可以明显看出占用的计算量也逐步增大，生成的路径的效率低并且无法在路径规划的过程中路径中大量生成的折线等都无法使用在日常生活中，适应范围相对有限，对参数的调整有着较大的敏感性。为了解决上述提道的路径问题，在其他采样的经典算法基础上，RRT算法不需要对要求的环境进行单独的建模，以此为前提对环境的要求被降低，实现了低纬到高维空间的联系，并且在输入的环境中只需要利用随机采样的方式来培养随机树来探索空间中的每个角落，空间中生成的随机点能够确保生成的路径能够充分探索到整个地图，确保了算法的全局的兼备，充分利用生成的随机点，大幅度的降低了高纬度空间中的路径规划问题的难度(李雨轩,邓晓璇,2021)。围绕这种局面展开在现实生活中，人理解的维度在三维，但是为了算法的方便，做复杂机械臂的路径规划中，可能对三维空间做划分，使得实际应用出现更高维的空间规划问题(赵心瑜,王凯文,2022)。在此情境之下由此可以看到RRT算法比较与其他算法的优势，在这一状况里极大的减少了空间规划的计算量，对机器人路径规划的实际运用有了极大的提高。2.1.2RRT算法的缺点虽然其RRT算法的保证了算法在地图内规划路径问题求出一个解时，能够找到合适的解去解决问题，但是它的随机性也存在不稳性,RRT算法的随机采样特性将致使多个不同的路径的结果是产生在同一地图下重复规划的路径往往还是是次优路径或不是最优解；在这种局面下考量搜索树没有特定的目标方向的去生长，缓慢的收敛速度；在后续的研究中会对已有的研究成果进一步从不同的角度进行优化，会致力于开发新的技术方法和工具，以提升数据收集、处理和分析的效率与准确性。通过引入前沿的科技手段，如人工智能、大数据处理等，本文期望能够更深入地挖掘数据中的隐藏信息，为研究提供更为坚实的实证基础。动态环境下无法作为解决方案去考虑，只在环境中没有干扰时使用(周依娜,刘天宇,2023)。这是因为算法使得随机搜索树先探索整个空间的，因应这情况的发展再去除多余节点出留下路径，如果路径无法生成，排除地图设置的缺陷，则RRT算法将无法找到一条路径解。只保留一颗生长不完全的随机树，体现了传统算法不稳定和缓慢收敛甚至得不到路径解的问题。在简单环境中和复杂的环境中，它都没有最优解，比如在设置了通道多个狭长的地图内部，随机扩展树很难快速通过狭窄通道，从这些信息可以看出随机树生长的方式总是差强人意，大量的节点堆积在了狭窄通道当中，使得随机树看起来是在窄道内拥挤直至“挤”出窄道去继续生长，生成的路径其中包含很多不需要的路径．降低算法的效率，从这些数据可以明显看出路径内包含很多不需要的折点生成的路径是曲折甚至混乱的(杨思琪,陈泽宇,2020)。导致增加了路径的长度，仅适用于提高一个解决方案满足路径设计模板。RRT算法的随机搜索占用了大量计算机内的算法资源。因为“随机”导致RRT很盲目，所以路径只会毫无目标的向四周扩散，直到找到目标为止，但实际上，移动机器人是对周围环境有一个大致了解的(赵晓菲,张轩瑞,2021)。研究过程中希望移动机器人能朝着目标能多一点的探索，以此为前提不必把过多的资源浪费在探索周围环境中去。在随机采样过程中，由于RRT算法检测到的碰撞检测较多，算法的效率降低。文章基于RRT快速扩张随机树算法。算法通过使调整支点的偏向目标点搜索的策略生长策略和步长的有效地去探索路径，避免路径陷入窄通道内；，使生长树规划出的路径更有多的是用来达目的地的而不是探索周围空间(李建华,王梓馨,2023)。2.2RRT算法功能阐述RRT算法的结构包括五个主要功能：一，度量，二，随机采样，三，最近邻函数，四，碰撞检测功能2.2.1度量函数度量函数如图1.1也叫距离函数，多用于空间距离的测量在随机树的生长过程中正确的选取度量函数不仅影响生长的枝干而且对生成的路径的长度有着重要的判断，由于测试空间的复杂度，在此情境之下障碍物的随机性，机器人本身带有的运动限制，最后得出的路径是不规则，想要出现一条简单路径是不可能的(黄佳怡,刘志轩,2022)。RRT的建立基于三维欧式空间，在这种情况框架下也即欧几里得距离作为度量函数。也就是常用到的两点的线段的长度，用来计算最后生成的路径长度，寻找最接近随机采样的Xrand节点的树节点(赵佳怡,孙俊杰,2020)图2.1如果(p)为1、2或∞，则度量函数分别命名为曼哈顿、欧⼏里得2.2.2随机采样在没有障碍物的情况下，随机采样点通常是在地图内部均匀分布的，树在各个方向生长会大致相等地生长。当然如果能够预先给出了最有可能发现目标点的区域信息在地图的数学描述和建模中，在这种局面下考量那么算法就会控制生长树的自然生长方向专注于探索该区域。为了解决均匀生长带来的问题，引导随机树向着目标位置生长，加快求解的速度。在随机树的生长过程加入偏向概率p1，根据概率p1的值来决定随机树的的生长方向是向着周围环境扩展还是向着目标前进，加速路径得出解的速度(周诗,李高峰,2021)。每次随机树的生长，因应这情况的发展都会产生一个（0，1）的随机值p，当0<p<p1时，意味着随机树向目标方向前进；当p1<p<1时随机树向任意方向生长。从上可以可以看出该方案相比于其他方案具有更好的性价比，同时在操作简便性和用户体验方面也有显著提升。这不仅有助于缩短项目周期，还能降低培训成本和用户适应新系统的时间，从而更快地实现投资回报。这样的生长策略可以很好的去纠正随机树的生长路径，在很大程度上的起到了防止了随机树的“随机性”如图所示，可以看到这颗“随机树”没有很好的生长，没有如预期一样去探索周围空间，这样的算法是不能承担起空间探索的作用，因此，增加一个随机概率p1可以有效地促进对周围空间或目标的探索(邓月婷,陈俊杰,2023)。图2.3图最近邻函数通过降低距离，采用简单的逻辑，做到降低路径长度，路径简单处理，节省实际应用中移动机器人的移动时间(王子安,黄怡然,2020)。首先以新节点为圆心，给定半径画一个圆。圈中的节点都是可能的节点，然后依次计算起始圈中节点的成本与圈中节点到新节点的成本之和，选其中最小的代价为新节点Xnew的代价，从这些信息可以看出相应的节点为Xnew的父节点。如下图2.3所示节点d为原始树中距离采样点最近的节点，节点c根据采样点和最近节点生成的新节点Xnew，在圈中共有a、b、d、e四个节点，挨个将其当作c的父节点然后计算c的代价，发现成本最小，那么就将c的父节点赋值为a。可以看-2到新的父节点的路径代价比前者小了很多(李明阳,张艺琳,2021)。这步工作完成之后还有重新布线的过程，以c为父节点即寻找新的子节点，从这些数据可以明显看出如图-1假如以b作为新的子节点路径（b-c-a-f-g）代价为3+3+5+3=14，其b节点原来路径（b-a-f-g）代价为1+5+3=9，所以b不作为新的子节点与c相连。而代价以e为子节点路径（e-c-a-f-g）代价为1+3+5+3=10，其原来路径（e-d-g）代价5+10=15，故e作为新的子节点与c相连接(周佳琦,王子杰,2022)。上述是理想过程，如果节点之间有障碍物，最近邻算法劲量适用于宽阔的环境中去节点与节点之间相连的情况就需要多加考虑。2.2.4碰撞检测功能碰撞检测从地图维度可分为平面碰撞检测和物体体积的碰撞检测，并可根据时间变化进一步分为静态和动态。空间中物体的可以通过投影转化为平面图形进行碰撞检测，以减少计算量。以此为前提静态检测对实时性要求不高，但对精度的要求相当高。本文只做平面静态碰撞检测研究，不考虑机器人的自由度。本文路径规划中障碍物取为圆性，矩形(张俊杰,杨瑞婷,2020)。该设计成果是在详尽分析现有情况并充分利用现有的资源与技术后达成的。相较于传统方法，此方法在多方面显示出明显优越性。首先，通过采用更具创意的设计思路，它实现了更高的工作效率和更低的失误率，大大提高了项目的可行性。其次，在成本效益上，新方法减少了执行与维护费用，避免了资源浪费，增强了经济收益。同时，也提升了系统的兼容性和扩展能力，以适应未来发展的需要。（1）圆形障碍物的避障问题通常地图内的圆形是多个矩形组成的多边形，因为地图是基于01矩阵生成的。本实验以矩阵中的1作为障碍，以此为前提不予生成子节点，0作为空旷环境生成随机树。只需要判断生成的Xnew子节点横纵坐标是否在生成圆所覆盖的坐标内。Xnew的横纵坐标与记录的圆形障碍物坐标重合的部分，则认为这是一次碰撞(赵睿琳,周艺文,2023)。该算法的原理如下：圆形障碍物的检测，在此情境之下首先生成一个圆心（X,Y）半径为R的圆形障碍物，实际应用对到机器人的尺寸有要求则有必要对扩展障碍物判断边界。当然在实际应用中要详细分析机器人的形状，当确定发生碰撞时，当前机器人当前状态超出了当前运动范围，可以调整机器人的姿态完成避障任务(李泽民,刘雪娜,2021)。设置机器人的尺寸为inf,只需判断新生成的Xnew坐标（x1,y1）是否在圆内即可,其碰撞条件为如图所示：X-R-inf<x1<X+R+infY-R-inf<y1<Y+R+inf图2.5图2.6若生成的子节点Xnew不在圆形障碍物中，则需要判断Xnew与Xnear生成的路径是否与障碍物有碰撞，在这一状况里问题可看做检测直线与圆是否有交点，那么可以直接计算圆心到直线中点的距离，然后判断该距离是否大于圆半径即可若0<GO<R出现，说明点位于AB中间，即如图情况，则视为碰撞，不予生成路径，若出现R<GO则说明线段与障碍物无碰撞，给予生成路径（2）矩形的碰撞检测本文所研究搭建的地图中多采用长方形障碍物，碰撞检测算法原理如下：碰撞检测问题可视为为直线与矩形相交问题(刘海涛,张琪琳,2022)。矩形障碍物的不与以Xnear与Xnew为端点的线段相交，否则视为碰撞。判断直线与矩形相交的分为两步：第一步,矩形的一侧是否有Xnew与Xnear存在。如果没有，则无需后续判断,Xnear与Xnew连线不与矩形相交。在这种局面下考量这里不出现两点坐标都位于矩形内部的情况，因为Xnew由Xnear产生,而Xnear必处在矩形外面空间位置。第二步,有Xnear与Xnew分别与生成矩形任意一边的不同侧，分为两种情况:,第一种情况如果生成的支点Xnew坐标位于矩形内部,视为一次碰撞。第二种情况，矩形内部无任何点生成但两连线与矩形相交(黄婷玉,李明杰,2023)。如图2.7两点位于矩形ABCD一侧且与AD和CD相交。因应这情况的发展该问题可以由直线与矩形的性质得出；如图2.7，Xnear与Xnew位于两点连线与矩形障碍物AB与AD边相交，D（Xd,Yd)与A(Xa,Ya)是构成矩形的边界，即当Xnear（X1,Y1）与Xnew(X2,Y)连线的斜率位于Xnear与D（Xd,Yd)连线之下和Xnear与A(Xa,Ya)所在直线之上，视作一次碰撞。若不在则不视为一次碰撞。在优化设计的过程中，特别关注了成本效益和方案的广泛适用性，因此与初始版本相比，在多个维度上进行了改良。首先，通过去除冗余步骤、选用更经济有效的策略，显著降低了执行费用，使方案更为实惠。此外，为了提升其普及潜力，设计方案时充分考量了各地不同环境的需求，确保该方案在各种情况下都能平稳运作，并且方便他人借鉴实施。碰撞的过程由图2.7表示，图2.7图2.8（3）线段的碰撞检测最后的碰撞判断，路径与路径之间是否有交叉，问题简化为：线段是否与线段相交，方法可以通过向量叉积的方法进行判断(杨家瑶,王雪,2020)。如图2.8，线段AB与线段CD相交，那么它们必然满足条件：从这些信息可以看出矩形的顶点C和D位于线段AB的两端。为了证明顶点C、D位于线段AB的两侧，那么可以连接AC、AD，计算向量AB与向量AC、AD的叉积，只要两者的叉积结果异号，那么说明它们位于线段AB两端。若m×n>0,则说明两者同号，从这些数据可以明显看出顶点C,D位于AB的同侧，线段之间不相交；反之m×n≤0，两线段相交，或者AB与CD可能位于同一直线上，则需要考虑四个点的顺序关系(邓子赫,陈怡彤,2021)。第三章仿真实验本文利用MATLAB搭建了一个仿真实验环境平台，其RRT算法伪代码如图3.1图3.1上述伪代码所讲述的其RRT代码的基本步骤是：

1.随机生成一个点Xinit2.在地图随机采样生成的点和生成点的方向上取一定步长，得到新的枝点3.判断有无碰撞检测生成，没有通过则添加新的支点到随机树内4.重复上述1,2,3,步直到找到目标点5.从目标点反推回来便能得到路径，无需搜索(赵雨琪,刘健宇,2022)。初始节点设置为Xinit,此时树中有以一个树节点，在地图中随机采样得出一个点Xrand，以此为前提然后通过节点与节点之间的代价，即上述提道的度量函数，选取到树上的合适的节点定义为Xnear，连接Xrand和Xnear,在Xrand和Xnear直线方向上以Xnear为起点取设定的步长为长度，在步长另一端生成Xnew，以此生成树中的一个新的子节点，通过碰撞函数决定，是否有障碍物碰撞，决定是否生成路径，生成后Xnew将加入随机树当中去，在允许的最大尝试次数内，不断循环，在此情境之下直至生成的节点在最大可容忍范围内停止随机树的生长，最后连接Xinit到Xgoal生成路径，路径规划完成(张璇子,王雪宁,2023)。3.1地图实验设置初始位置为（1,1）目标位置为（490,490）。步长设置为20，地图内最大尝试次数为100，50%的几率向目标前进(周瑞文,李一凡,2020)。图3.2时间为1.267秒，路径长度为846图3.3时间为2.186秒，路径长度为1353此时的最大尝试次数已经无法满足路径规划的基本要求了，本图是多次实验下的少有的几次成功例子。多数如图图3.4，时间为1.704秒，路径长度为864，3.2参数调整实验基于MATLAB实验平台，设置起始点位置为（490,490），目标点位置（1,1）对RRT步长，随机采样几率进行调整(冯凡,陈思琪,2021)。

对RRT步长进行调整，在这一状况里设置步长分别为10，20，40，80，100。最大尝试次数设置为10000确保路径能够生成，数据见表3.1，可以看到随着步长的增加，路径的生成时间逐步降低，但是由于步长的增加，反而使得路径出现“不同程度的曲折”导致路径变的更长。此文采用了先前的设计理念来构建计算框架，并进行了适当的简化，旨在增强其实用价值和操作简便性。通过详细分析与评估现有方法，识别并去除了冗余复杂的步骤，优化了流程，从而形成了一种简洁高效的计算模型。这样做不仅减少了资源消耗，还缩短了处理周期，同时维持了原有性能，便于执行和普及，加入了多样的验证和质量控制机制。在这种局面下考量实验采用的地图较为复杂，在窄道路口步长的设置决定，探索树是否能够成功通过窄路(黄欣怡,李俊杰,2022)。实验所用到的地图为490*490的地图，如果步长设置的长度（例如200）相对地图边界还大，那么随机树会出现生长终止的情况对RRT步长进行调整，设置步长分别为0.2，0.4，0.6，0.8。最大尝试次数设置为10000确保路径能够生成，数据见表3.2表3.1表3.2第四章RRT-connet仿真实验本文实验也做了双树随机树仿真实验，算法的主要思路是，随机树不在是由起始点单一的向目标点进行探索，因应这情况的发展目标点也将生长出随机树，两颗随机树一起探索整个空间，加快探索速率。部分实验结果如图图4.1同时如下图，可以看到，由于算法的瑕疵导致了，两颗随机树并没有在合适的地方做连接路径的处理，路径不太理想(赵瑞彤,周雪怡,2023)。图4.2第五章结论通过改变RRT算法的步长，采样概率，可以有效的提高RRT算法中随机树的生长效率，同时在实验过程中要给与随机树足够的尝试次数，否则会出现随机树无法生长到目标位置，从这些信息可以看出无法得到路径，同时地图中目标点和起始点由于是矩阵位置与传统XY坐标系不同，要注意区分未来方向以往的运动规划算法；对于算法的的改进思路为在地图中间做引导点Xsign，引导随机树的连接。或者处理已经生成的路径，将从Xinit到Xgoal生成的节点Xrandn做新的排列处理，从这些数据可以明显看出具体内容如：Xinit对生成的Xrandn计算路径代价，如果Xrandn+1可以与Xinit直接相连，则去除Xrandn，反之保留Xrandn作为新的Xinit与剩下的Xrandn相连，直至到达Xgoal范围当中去。对于RRT-connect从起始位置到目标位置生长出的节点也不需要两颗随机树共同生成一个路径，可以考虑由两颗随机树生成的两条路径进行比较选取出合理的路径，还可以在此基础上对两条路径折中处理得出第三条路径参考文献张逸凡,周紫晴等人.改进RRT算法的机器人路径规划[J/OL].重庆大学学报:1-13[2022-04-16]..2022.1410.005.html潘奕凡,朱可欣.改进RRT算法在机器人路径规划中的应用[J].信息与电脑(理论版),2023,33(18):37-41.魏琪琳,邵宇翔.基于改进RRT算法的移动机器人路径规划[J].智能计算机与应用,2021,11(07):32-35+42李高,张芸.基于改进双向RRT算法的机器人路径规划[J].山东科学,2021,34(03):109-118.王晨曦,周瑶瑶.基于改进RRT算法的机器人路径规划研究[D].西安建筑科技大学,2021.DOI:10.27393/ki.gxazu.2021.000129.赵心怡,李宇昕.基于RRT改进的机器人路径规划算法研究[D].广西大学,2020.DOI:10.27034/ki.ggxiu.2020.001061.刘瑞琳,陈云霞.基于改进RRT算法的移动机器人路径规划研究[D].聊城大学,2020.DOI:10.27214/ki.glcsu.2020.000591.周杰伦,杨星雨.改进RRT算法的室内移动机器人路径规划[J].计算机工程与应用,2020,56(09):190-197.张静怡,赵天宇.基于改进RRT算法的移动机器人路径规划研究[D].西安工程大学,2019.DOI:10.27390/ki.gxbfc.2019.000183.TaheriEhsan,FerdowsiMohammadHossein,DaneshMohammad.FuzzyGreedyRRTPathPlanningAlgorithminaComplexConfigurationSpace[J].InternationalJournalofControl,Automationand周诗,李高峰tems,2018,16(6).陈瑶瑶,王彦君.基于RRT优化算法的移动机器人路径规划[J].兵