基于改进RRT^(*)-APF混合算法的温室农业机器人路径规划OA

为解决传统RRT^(*)算法在温室农业机器人路径规划中存在的采样缺乏明确定向,随机树均匀扩展导致搜索速度慢、计算代价过高,以及遇到障碍物时无法迅速有效躲避问题,同时满足农业机器人在预设路径外自主避障并精准到达目标点的需求,提出一种高效的混合路径规划算法,提升复杂温室环境下机器人路径规划的准确性、效率与可靠性。首先改进RRT^(*)算法:通过节点吸引策略和搜索剪枝策略,将目标点问题转化为促进初始路径生成的目标区域问题,引入减少步长对路径速度环境适应性影响的随机步长选择策略,快速获取起点与目标点之间的初始路径;然后在改进RRT^(*)算法中融入人工势场法(APF)的引力导向策略,通过引力和斥力的合力,参考目标点和障碍物信息,对新节点的生长方向进行调整,并对随机树扩展到目标点的导向性和搜索效率进行优化,构建虚拟势场;最终利用贪婪算法生成简化无碰撞路径,同时在局部路径规划中引入斥力势场函数,以相对速度和相对加速度来处理动态障碍。仿真与试验结果表明,在静态环境中,10 m×20 m温室通道场景下,该算法平均规划时间1.422 1 s、平均迭代次数1 518次、节点数141个、平均路径长度18.530 7 m,分别较传统RRT^(*)(7.540 7 s、3 150次、499个、20.331 1 m)与改进RRT^(*)(3.814 8 s、2 294次、336个、19.279 1 m)明显降低;在50 m×50 m密集障碍场景下,其平均规划时间0.486 1 s、迭代次数637次、节点数195个、路径长度75.784 6 m,同样优于传统RRT^(*)(6.471 1 s、2 238次、1 287个、78.790 6 m)与改进RRT^(*)(3.701 6 s、1 652次、981个、77.282 4 m),且路径搜索失败次数最少;在动态环境中,机器人能提前识别横向移动障碍物并主动避障,待障碍物远离后返回原规划路径;在真实试验环境中,机器人可通过激光雷达构建环境地图,实现自主避障导航,实际行走路线与规划路径高度吻合。综上,本次改进的RRT^(*)-APF混合算法,在复杂温室环境下,既能快速安全地完成机器人导航任务,又能有效规避静态和动态障碍,弥补了温室农业机器人传统算法在全局静态路径规划和局部动态路径规划方面的不足。