旋转速度矢量角优化的TAS-RRT与人工势场融合路径规划

人工势场法作为一种简洁高效的运动规划技术，因其鲁棒性好、路径平滑以及较高的执行效率在机器人领域广受欢迎。然而，它在实际应用中容易陷入局部极小值区域，导致振荡现象。为了克服这一问题，本研究提出了一种改进的融合算法——将TAS-RRT（Time-Aware Sampling-based Rapidly-exploring Random Tree）算法与人工势场相结合。 TAS-RRT算法的优势在于其强大的扩展性和快速的搜索能力，有助于避免被困在势场的局域振荡中。然而，当逃逸点位于狭窄空间或附近时，RRT算法可能会陷入局部循环。为解决这个问题，论文引入了旋转速度矢量角的概念。这个角度用于精确地定位可能的逃离点，通过分析节点的运动趋势，当发现运动方向持续远离极小值点并且趋势增强时，判定当前节点为局部极小值点。 在改进的人工势场中，当算法检测到局部振荡时，会切换到基于速度矢量角度差的快速随机扩展树策略，通过调整采样策略和局部规划器，使搜索过程更加动态和自适应。这种方法使得机器人能够更有效地避开障碍物，快速找到逃离路径，同时提高控制精度和处理速度。 在实验验证阶段，融合后的TAS-RRT与人工势场的组合展现出强大的适应性，即使在复杂的环境中也能保持高效搜索，避免了传统人工势场的局限性。通过模拟结果，明显观察到算法在引导机器人路径离开极小值区域时表现出优越的性能。 这项工作通过引入旋转速度矢量角和TAS-RRT的有机结合，成功地提高了运动规划的全局性和稳定性，使得机器人在面对动态变化的环境时，能够实现更精确、更快速的路径规划，为实际的机器人控制应用提供了有力的技术支持。