.png){kind=icon}
.png){kind=icon}
返回
An Adaptive Rapidly-Exploring Random Trees Algorithm Based on Cross-Entropy Optimization
.png){kind=icon}
OA
AI
DOI：10.3390/a18100615.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出了一种基于交叉熵优化的新型自适应快速探索随机树算法（CE-RRT）。我们旨在为机器人在各种复杂环境中的路径规划提供低成本、快速且有效的解决方案。首先，引入了一种自适应采样策略以使搜索具有方向性。然后，提出了一种自适应步长调整策略以提高算法的搜索效率。最后，引入交叉熵算法来优化可行路径中的冗余节点并提高路径质量。为了验证所提出算法的可行性和有效性，将其用于解决两个二维环境和一个三维环境中的路径规划问题。以RRT和RRT*算法作为基准来衡量三种优化策略的有效性。仿真结果表明，所提出的CE-RRT算法能够有效提高搜索效率和路径质量。特别是在路径缩短26%、22.70%和49.11%的情况下，CE-RRT算法在三维环境中表现出更强的鲁棒性。此外，所提出的CE-RRT算法可用于基于双Sawyer仿真平台为双机器人规划合理路径。
Keyword:
rapidly-exploring random trees
sampling-based algorithms
cross-entropy optimization
optimal path planning
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。