灭火机器人路径规划matlab_RRT路径规划算法(matlab实现)

基于快速扩展随机树(RRT / rapidly exploring random tree)的路径规划算法,通过对状态空间中的采样点进行碰撞检测,避免了对空间的建模,能够有效地解决高维空间和复杂约束的路径规划问题。该方法的特点是能够快速有效地搜索高维空间,通过状态空间的随机采样点,把搜索导向空白区域,从而寻找到一条从起始点到目标点的规划路径,适合解决多自由度机器人在复杂环境下和动态环境中的路径规划。与PRM类似,该方法是概率完备且不最优的。

RRT是一种多维空间中有效率的规划方法。它以一个初始点作为根节点,通过随机采样增加叶子节点的方式,生成一个随机扩展树,当随机树中的叶子节点包含了目标点或进入了目标区域,便可以在随机树中找到一条由从初始点到目标点的路径。基本RRT算法如下面伪代码所示:

function feasible=collisionChecking(startPose,goalPose,map)%冲突检查:判断起始点到终点之间是否有障碍物

feasible=true;%可行的,可执行的

dir=atan2(goalPose(1)-startPose(1),goalPose(2)-startPose(2));%目标点和起始点之间的角度for r=0:0.5:sqrt(sum((startPose-goalPose).^2))%sqrt(sum((startPose-goalPose).^2)):两点间的距离

posCheck= startPose + r.*[sin(dir) cos(dir)];%以0.5的间隔得到中间的点if ~(feasiblePoint(ceil(posCheck),map) && feasiblePoint(floor(posCheck),map) &&...

feasiblePoint([ceil(posCheck(1)) floor(posCheck(2))],map) && feasiblePoint([floor(posCheck(1)) ceil(posCheck(2))],map))

feasible=false;break;

endif ~feasiblePoint([floor(goalPose(1)),ceil(goalPose(2))],map), feasible=false; end

end

function feasible=feasiblePoint(point,map)%判断点是否在地图内,且没有障碍物

feasible=true;if ~(point(1)>=1 && point(1)<=size(map,1) && point(2)>=1 && point(2)<=size(map,2) && map(point(2),point(1))==255)%map(point(2),point(1))==255:没有障碍物

feasible=false;

end

function distance=Distance(start_Pt,goal_Pt)

distance=sqrt((start_Pt(1)-goal_Pt(1))^2+(start_Pt(2)-goal_Pt(2))^2);

function [X_near,index]=Near(X_rand,T)

min_distance=sqrt((X_rand(1)-T.v(1).x)^2+(X_rand(2)-T.v(1).y)^2);for T_iter=1:size(T.v,2)

temp_distance=sqrt((X_rand(1)-T.v(T_iter).x)^2+(X_rand(2)-T.v(T_iter).y)^2);if temp_distance<=min_distance

min_distance=temp_distance;

X_near(1)=T.v(T_iter).x

X_near(2)=T.v(T_iter).y

index=T_iter;

end

end

function X_rand=Sample(map,goal)% if rand<0.5

% X_rand = rand(1,2) .* size(map); %random sample% else

% X_rand=goal;%endif unifrnd(0,1)<0.5X_rand(1)= unifrnd(0,1)* size(map,1); %均匀采样

X_rand(2)= unifrnd(0,1)* size(map,2); %random sampleelseX_rand=goal;

end

function X_new=Steer(X_rand,X_near,StepSize)

theta= atan2(X_rand(1)-X_near(1),X_rand(2)-X_near(2)); %direction to extend sample to produce new node

X_new= X_near(1:2) + StepSize *[sin(theta) cos(theta)];% dir_x = X_rand(1)- X_near(1);% dir_y = X_rand(2)- X_near(2);% dir = sqrt(dir_x^2 + dir_y^2);% X_new(1) = dir_x * StepSize/dir+X_near(1);% X_new(2) = dir_y * StepSize/dir+X_near(2);

function X_rand=Sample(map,goal)% if rand<0.5

% X_rand = rand(1,2) .* size(map); %random sample% else

% X_rand=goal;%endif unifrnd(0,1)<0.5X_rand(1)= unifrnd(0,1)* size(map,1); %均匀采样

X_rand(2)= unifrnd(0,1)* size(map,2); %random sampleelseX_rand=goal;

end

%***************************************

%Author: Chenglong Qian%Date: 2019-11-5

%***************************************

%%流程初始化

clear all; close all;

x_I=1; y_I=1; %设置初始点

x_G=700; y_G=700; %设置目标点

goal(1)=x_G;

goal(2)=y_G;

Thr=50; %设置目标点阈值 当到这个范围内时则认为已到达目标点

Delta= 30; %设置扩展步长,扩展结点允许的最大距离%%建树初始化

T.v(1).x = x_I; %T是我们要做的树,v是节点,这里先把起始点加入到T里面来

T.v(1).y =y_I;

T.v(1).xPrev = x_I; %起始节点的父节点仍然是其本身

T.v(1).yPrev =y_I;

T.v(1).dist=0; %从父节点到该节点的距离,这里可取欧氏距离

T.v(1).indPrev = 0; %父节点的索引%%开始构建树——作业部分

figure(1);

ImpRgb=imread('newmap.png');

Imp=rgb2gray(ImpRgb);

imshow(Imp)

xL=size(Imp,1);%地图x轴长度

yL=size(Imp,2);%地图y轴长度

hold on

plot(x_I, y_I,'ro', 'MarkerSize',10, 'MarkerFaceColor','r');

plot(x_G, y_G,'go', 'MarkerSize',10, 'MarkerFaceColor','g');%绘制起点和目标点

count=1;for iter = 1:3000

% x_rand=[];%Step 1: 在地图中随机采样一个点x_rand%提示:用(x_rand(1),x_rand(2))表示环境中采样点的坐标

x_rand=Sample(Imp,goal);% x_near=[];%Step 2: 遍历树,从树中找到最近邻近点x_near%提示:x_near已经在树T里

[x_near,index]=Near(x_rand,T);

plot(x_near(1), x_near(2), 'go', 'MarkerSize',2);% x_new=[];%Step 3: 扩展得到x_new节点%提示:注意使用扩展步长Delta

x_new=Steer(x_rand,x_near,Delta);%检查节点是否是collision-freeif ~collisionChecking(x_near,x_new,Imp) %如果有障碍物则跳出continue;

end

count=count+1;%Step 4: 将x_new插入树T%提示:新节点x_new的父节点是x_near

T.v(count).x= x_new(1);

T.v(count).y= x_new(2);

T.v(count).xPrev= x_near(1); %起始节点的父节点仍然是其本身

T.v(count).yPrev= x_near(2);

T.v(count).dist=Distance(x_new,x_near); %从父节点到该节点的距离,这里可取欧氏距离

T.v(count).indPrev= index; %父节点的索引%Step 5:检查是否到达目标点附近%提示:注意使用目标点阈值Thr,若当前节点和终点的欧式距离小于Thr,则跳出当前for循环if Distance(x_new,goal)

end%Step 6:将x_near和x_new之间的路径画出来%提示 1:使用plot绘制,因为要多次在同一张图上绘制线段,所以每次使用plot后需要接上hold on命令%提示 2:在判断终点条件弹出for循环前,记得把x_near和x_new之间的路径画出来% plot([x_near(1),x_near(2)],[x_new(1),x_new(2)]);%hold on

line([x_near(1),x_new(1)],[x_near(2),x_new(2)]);

pause(0.1); %暂停0.1s,使得RRT扩展过程容易观察

end%%路径已经找到,反向查询if iter < 2000path.pos(1).x = x_G; path.pos(1).y =y_G;

path.pos(2).x = T.v(end).x; path.pos(2).y =T.v(end).y;

pathIndex= T.v(end).indPrev; %终点加入路径

j=0;while 1path.pos(j+3).x =T.v(pathIndex).x;

path.pos(j+3).y =T.v(pathIndex).y;

pathIndex=T.v(pathIndex).indPrev;if pathIndex == 1

breakend

j=j+1;

end%沿终点回溯到起点

path.pos(end+1).x = x_I; path.pos(end).y = y_I; %起点加入路径for j = 2:length(path.pos)

plot([path.pos(j).x; path.pos(j-1).x;], [path.pos(j).y; path.pos(j-1).y], 'b', 'Linewidth', 3);

endelsedisp('Error, no path found!');

end

参考链接:https://www.cnblogs.com/flyinggod/p/8727951.html

你可能感兴趣的:(灭火机器人路径规划matlab)