关键词：路径规划;RRT^*算法;自适应目标偏置;动态采样域;APF新节点生成
摘 要：目的 针对RRT^*算法（Rapid-exploration Random Tree^*）在机械臂避障路径规划中存在的搜索效率低、采样点质量差，算法整体效率低、收敛较慢等缺点，提出一种自适应偏置-步长-采样域策略及融合人工势场法的ABSS-ARRT^*算法（Adaptive Bias-step-Sampling Domain and Improved Artificial Potential Field RRT^*）。方法 在RRT^*算法中融入自适应目标偏置采样策略和动态采样域策略，提出一种融合人工势场法（Artificial Potential Field,APF）思想的改进新节点生成策略，引入引力和斥力权重系数，同时采用自适应步长策略，使算法的性能得到提升。结果 通过二维和三维地图中的验证，相较于RRT算法和RRT^*算法，ABSS-ARRT^*算法在平均迭代次数、收敛时间、路径节点数量、路径总长度及平均成功率均表现出优越性，其中二维地图中路径长度分别缩短了21.8%和3.23%，平均迭代时间分别下降了35.6%和52.0%，三维地图中路径长度分别缩短了28.9%和19.5%，平均迭代时间分别下降了75.9%和72.5%，同时在MATLAB中对改进的RRT^*算法在机械臂上进行可行性验证。结论 所提出的ABSS-ARRT^*算法能够在复杂静态环境中为机械臂快速智能地规划出一条无碰撞高质量路径，验证了该算法的优越性和可行性。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取