《Scientific African》:Fusion of an A-RRT planner and a supervised model for reactive and optimal navigation of mobile robots
编辑推荐:
在动态且部分未知的环境中,确保移动机器人的安全高效导航仍是一项重大挑战。本文提出了一种改进的混合轨迹规划框架实现方案,该框架将全局最优轨迹规划器与反应式局部规划器相结合,以增强导航鲁棒性。全局规划器基于一种改进的快速探索随机树(Rapidly-explorin
在动态且部分未知的环境中,确保移动机器人的安全高效导航仍是一项重大挑战。本文提出了一种改进的混合轨迹规划框架实现方案,该框架将全局最优轨迹规划器与反应式局部规划器相结合,以增强导航鲁棒性。全局规划器基于一种改进的快速探索随机树(Rapidly-exploring Random Tree),该算法融入了受A*算法启发函数启发的选择性采样策略,在提升路径质量和平滑度的同时显著缩短了规划时间。在局部自适应方面,研究人员采用极端梯度提升(Extreme Gradient Boosting, XGBoost)的监督学习模型,在包含大量机器人-环境交互数据的数据集上训练,以实时预测安全导航动作。为提高系统可靠性,研究集成了一个决策校正模块,用于过滤存在风险或重复性的动作。动态融合机制确保了全局规划器与局部规划器之间的无缝协调,使机器人能够有效适应静态、未知及移动障碍物。大量仿真实验验证了所提方法的有效性。全局规划器——一种改进的最优快速探索随机树算法——在复杂环境中相比A*算法计算时间最多可降低68%,相比标准最优快速探索随机树算法最多可降低91%,同时保持接近最优的路径长度。局部规划器利用预测准确率达82%的XGBoost模型,确保了高响应性。与传统规划器相比,该融合方法在轨迹最优性、安全性和计算效率方面均展现出优越性。
**一、研究背景与问题提出**
移动机器人在智能物流、空间与水下探索、敏感区域监视、自动驾驶及关键场景干预等战略领域的自动化中扮演着日益核心的角色。这些应用要求机器人不仅具备自主移动能力,还须在复杂、动态且部分未知的环境中做出精确响应。轨迹规划作为决定系统效率、安全性与鲁棒性的基础性挑战,旨在生成安全、高效且可行的路径,引导机器人从起点到达目标点,同时避免碰撞并满足系统约束。轨迹规划可分为全局规划与局部规划两大互补范式:全局规划利用完整已知环境地图生成最优初始路径;局部规划则依据传感器实时感知的信息动态调整轨迹,确保在移动或未建图障碍物存在时的安全与响应能力。
现有方法各有局限。在全局规划方面,Dijkstra算法虽保证最优性与完备性,但计算成本高昂;A*算法通过启发式函数减少探索节点,但可能因启发估计不佳而变慢;RRT*虽渐近收敛至最优解,但计算时间较长。在局部规划方面,人工势场法易陷入局部最小值;动态窗口法(DWA)需复杂调参。尽管已有多种全局-局部混合方法(如A*+DWA、PRM+D*等)被提出,但这些方法往往需要复杂的参数整定,且可能在全局引导与局部决策之间产生冲突。此外,现有研究或侧重全局-局部规划集成,或侧重轨迹跟踪精度,或针对特定机器人模型的鲁棒控制,尚缺乏一个统一的导航框架,能够兼顾高效全局规划、自适应局部决策与显式安全机制,并在部分未知和动态环境中保持计算效率。为此,研究人员提出了一种结合A-RRT*全局规划器、基于监督学习的局部规划器及动作校正机制的混合导航框架,作为现有基于模型的混合规划与控制策略的补充方案。
**二、研究内容与结论**
研究人员开展了系统性的仿真实验,验证了所提混合框架的有效性。研究的主要结论为:所提出的A-RRT*全局规划算法在静态环境中相比A*、PRM和RRT*算法,显著降低了计算时间并提升了轨迹平滑度;基于XGBoost的局部规划器在动态与未知障碍物场景中实现了高响应性与高成功率;融合机制使机器人能够在全局路径跟踪与局部避障之间平滑切换,保证导航的安全性与效率。该研究的意义在于提供了一种将优化采样型全局规划器、数据驱动局部决策模型与显式安全校正机制相结合的完整导航架构,为在复杂、演进及部分未知环境中实现可靠自主导航提供了一种高效且可控的技术路径。
**三、关键技术方法**
该研究采用的主要技术方法包括:(1)改进的A-RRT*全局规划算法,融合了A*启发式函数的引导式采样策略;(2)基于极端梯度提升(XGBoost)的监督学习分类模型,用于局部导航动作预测;(3)动作校正模块,用于过滤风险动作与重复动作;(4)全局-局部路径融合机制,通过提取全局路径关键点实现动态决策切换。训练数据来源于多种随机生成的障碍物布局环境,涵盖简单、中等、复杂三个难度等级,共600种不同配置,最终提取约265,194个状态-动作样本对。仿真实验在配备AMD Ryzen 5 5600G处理器和16GB内存的计算机上进行。
**四、研究结果**
**静态环境中的全局规划器对比评估:** 在三个不同尺寸与障碍物密度的静态地图(40×40、80×80、120×120)中,研究人员将A-RRT*与A*、PRM、RRT*进行比较,每种随机算法执行1000次并取平均值。结果表明:在复杂环境3中,A-RRT*计算时间为2.81秒,相比A*降低68%,相比RRT*降低91%,路径长度与A*差距小于5%,累积转角比PRM改善30%。在环境1中,A-RRT*比RRT*规划时间减少35%,路径长度接近A*,平滑度提升23%。Wilcoxon符号秩检验结果显示,在时间与累积转角指标上,A-RRT*与基线算法存在显著差异。
**混合规划在未知与动态障碍物场景下的鲁棒性评估:** 研究人员设计了三种动态场景。在包含未知静态障碍物的场景中,机器人通过局部规划器成功规避探测到的未知障碍物并返回全局路径,最终到达目标。在同时包含未知静态与动态障碍物的场景中,机器人依次完成对未知障碍物和移动障碍物的安全避让。在完全动态场景中(五个自主移动的80×80障碍物),机器人执行连续避障机动,保持与整体计划的一致性并安全到达目标。仿真结果验证了混合架构在部分未知到完全动态环境中的强鲁棒性与适应性。
**局部规划器泛化能力评估:** 在40个全新未见环境中(每个复杂度级别),单独使用XGBoost分类器的成功率从简单环境的87.5%降至复杂环境的72.5%;集成动作校正模块后,简单环境成功率提升至100%,中等和复杂环境均达到97.5%,提升幅度分别为12.5、17.5和25个百分点。
**五、讨论与结论**
讨论部分指出,尽管仿真结果验证了混合架构的有效性,但研究存在一定局限性:框架仅在仿真环境中评估,未涵盖真实机器人的传感器噪声、定位误差与执行器动力学影响;基准对比主要针对全局规划器,未与其他完整混合系统进行系统量化比较。为此,未来工作将沿两个方向推进:一是采用深度强化学习(DRL)智能体替代监督模型,实现在线策略学习与自适应,降低对预采集数据的依赖;二是在Clearpath Jackal等实体机器人平台上实现并验证该框架在真实三维环境中的性能与鲁棒性。总体而言,本文提出了一种创新的混合导航方法,成功融合了优化的A-RRT*全局规划器与基于监督学习的局部规划器,实现了全局最优性与实时响应性之间的有效平衡。