房立金 吴政翰 王怀震

东北大学机器人科学与工程学院，沈阳,110000

0 引言

随着机械臂的普及，机械臂在复杂环境中的运动规划变得尤为重要。机械臂运动规划的主要目的是在连续空间中寻找一条机械臂末端从起始位置移动到目标位置的无碰撞路径。目前，机械臂通常采用基于采样的规划方法进行运动规划。应用最广泛的基于采样的运动规划算法是概率路线图(probabilistic roadmap method, PRM)和快速扩展随机树(rapidly-exploring random trees, RRT)[1]。

与PRM算法相比，RRT算法更适用于解决高维空间中运动规划问题，因此RRT算法在机械臂的运动规划领域应用较为广泛[2-3]。RRT算法是在起始位置构建一棵树，通过向随机样本生长树来探索状态空间，当得到一条无碰撞路径并到达目标位置时即停止。然而，由于RRT算法是随机抽样过程，在目标区域中发现一个样本通常需要大量时间。针对这一问题，文献[4]提出了RRT-Connect算法。与RRT相比，RRT-Connect算法用两棵树搜索状态空间，从而提高了搜索效率，特别是当目标位置难以通过单向搜索进行采样时效果更加明显。虽然该算法可以有效解决运动规划问题，但无法提供最优解。这是因为用随机采样探索状态空间输出的是一系列随机样本，没有任何优化树的过程，没有考虑初始状态和其他节点之间的运动最优性[5]。

为了解决上述问题，文献[6]提出渐近最优RRT(RRT*)算法。通过执行局部优化来扩展RRT算法，从而改进全局运动规划问题。在找到规划路径后，RRT*算法将继续探索状态空间，通过不断采样以优化当前规划路径。……