近几年，在各种物流运输系统中，自主导航车（Automated Guided Vehicle）已经充分展示了其优异运输性能。尤其在快递分拣系统中，AGV 可以显著提升快递分拣运输效率，极大地减轻了工人的劳动强度及分拣成本。路径规划是 AGV 自主导航的关键步骤，在满足环境约束条件下规划出最优运行轨迹。
三维（3-D）实时轨迹规划是 AGV 在各种应用中的基础任务。如何找到一个可行、平滑的飞行路线，从而安全地到达目的地是其中一个关键问题。为了解决这一问题王辉等[1]针对智能车库智能存取车问题，在融合标准粒子群算法和遗传算法的基础上通过动态自适应调整策率优化惯性系数、学习因子和交叉变异概率公式，有效提高了算法的进化速度和收敛精度。胡兵等[2]将双向搜索功能和自适应目标引力思想融入到 RRT 算法中，使得路径搜索效率更高，路径更加平滑。卫珊等[3]根据物流工厂环境下 AGV 运行路径特点，提出一种融入启发函数的 A*算法，有效提高了算法的执行效率。王雷等[4]针对柔性车间调度问题，建立 AGV 柔性车间调度模型，采用多段式编码淘汰次要基因，通过分阶段的自适应交叉实现快速收敛和全局效果最优。但是，这些方法主要针对的是短途或平滑的典型问题，因此，在实际情况下能综合实现收敛、平滑、快速和可行轨迹问题仍有待研究解决[5]。
为了克服这一问题，文中设计适用于无人机三维实时航迹规划的三层规划（TLP）模型。采用基于增强学习的双向快速扩展随机树算法求解三维规划（TLP）模型。在传统 RRT 算法中引入增强学习方法对每个节点建立学习评价机制，通过环境的回报值评价随机树上的每一个节点，将开阔区域和约束区域通过增强学习中奖励和惩罚的形式表示出来。
1 RRT 算法
RRT 的思想是快速扩张一群像树一样的路径以探索（填充）空间的大部分区域，伺机找到可行的路径[6—7]。之所以选择“树”是因为它能够探索空间。RRT的基本步骤见图 1。执行效率高是 RRT 算法的一大优点，但是它的缺点也很明显，它得到的路径一般质量都不是很好，例如可能包含棱角，不够光滑，通常也远离最优路径，见图 2。
从图 2 可以看出，经典 RRT 算法规划出来的路径棱角非常明显，路径平滑度很差也不是最优路径。
提取码：ykb9
暂无评论内容