快速随机搜索树(RRT)的MATLAB代码实现

218
2
2020年6月16日 10时22分

快速随机搜索树(Rapidly-Exploring Random Tree, RRT)算法是移动机器人或机械臂常用的轨迹规划算法,用于规划出一条运动轨迹。其主要步骤分以下几步:

        1. 初始化需要规划的2D或3D地图,给出移动机器人或机械臂要运动的起点和终点坐标,树的根部在起点。

        2. 开始搜索并构建树。树的构建过程为:a) 首先在地图上随机选一点Prand;b) 遍历树上所有的点,从书中找到与Prand最近的点,记作Pnear,选取Pnear到Prand方向的向量,选取一个固定长度d,得到一个和Pnear之间距离为d的,方向为Pnear到Prand方向的一个新的点Pnew;c)判断Pnear和Pnew之间是否会碰撞到周围的环境(即判断Pnear和Pnew之间是否是collision-free的),如果无碰撞,则把Pnew加入数中,并记录Pnew的父节点为Pnear,进行下一步,如果有碰撞,则回到步骤a)重新选点;d) 判断Pnew是否到达目标点附近,用欧氏距离来判断,当距离小于一个阈值后,认为Pnew到达了目标点附近,停止建树,如果还未到达目标点附近,则回到a)继续循环整个过程,直到Pnew到达目标点附近。

        3. 找到目标点后,从目标点开始找到整条路径。方法为查找树上每个点的父节点,直到找到起点为止。

        4. 得到整条路径后,有时会对路径进行平滑处理,处理方法有三次B样条处理等,这里不作介绍。

        本文以MATLAB为工具,简要实现RRT算法,用动态图片直观地展示该算法的工作原理。RRT.m代码如下:

%***************************************
%Author: Yaoqing Hu
%Date: 2020-04-09
%***************************************
%% 流程初始化
clear all; 
x_I=1; y_I=1;           % 设置初始点
x_G=700; y_G=700;       % 设置目标点
Thr=30;                 % 设置目标点阈值
Delta= 50;              % 设置扩展步长
%% 建树初始化
T.v(1).x = x_I;         % T是我们要做的树,v是节点,这里先把起始点加入到T里面来
T.v(1).y = y_I; 
T.v(1).xPrev = x_I;     % 起始节点的父节点仍然是其本身
T.v(1).yPrev = y_I;
T.v(1).dist=0;          % 从父节点到该节点的距离,这里可取欧氏距离
T.v(1).indPrev = 0;     % 
%% 开始搜索并构建树
figure(1);
ImpRgb=imread('map.png');
Imp=rgb2gray(ImpRgb);
imshow(Imp)
xL=size(Imp,1);%地图x轴长度
yL=size(Imp,2);%地图y轴长度
hold on
plot(x_I, y_I, 'ro', 'MarkerSize',5, 'MarkerFaceColor','r');
plot(x_G, y_G, 'go', 'MarkerSize',5, 'MarkerFaceColor','g');% 绘制起点和目标点
count=1;
for iter = 1:3000
    p_rand=[];
    %Step 1: 在地图中随机采样一个点x_rand
    %提示:用(p_rand(1),p_rand(2))表示环境中采样点的坐标
    p_rand(1)=ceil(rand()*xL); % rand()生成的是0~1均匀分布的随机数,乘以700再向上取整,数便为[1,800]间的整数
    p_rand(2)=ceil(rand()*yL);
    
    p_near=[];
    %Step 2: 遍历树,从树中找到最近邻近点x_near 
    %提示:x_near已经在树T里
    min_distance = inf;
    for i=1:count
        distance = sqrt( ( T.v(i).x - p_rand(1) )^2 + ( T.v(i).y - p_rand(2) )^2 );
        if distance < min_distance
            min_distance = distance;
            index = i;
        end
    end
    p_near(1) = T.v(index).x;
    p_near(2) = T.v(index).y;
    
    p_new=[];
    %Step 3: 扩展得到x_new节点
    %提示:注意使用扩展步长Delta
    p_new(1) = p_near(1) + round( ( p_rand(1)-p_near(1) ) * Delta/min_distance );
    p_new(2) = p_near(2) + round( ( p_rand(2)-p_near(2) ) * Delta/min_distance );
    
    %检查节点是否是collision-free,如果collision-free,则进行下一步,如果不是collision-free,则重新进入循环
    if ~collisionChecking(p_near,p_new,Imp) 
       continue;
    end
    count=count+1;
    
    %Step 4: 将x_new插入树T 
    %提示:新节点x_new的父节点是x_near
    T.v(count).x = p_new(1);         
    T.v(count).y = p_new(2); 
    T.v(count).xPrev = p_near(1);    
    T.v(count).yPrev = p_near(2);
    T.v(count).dist = min_distance;          
    
    %Step 5:检查是否到达目标点附近 
    %提示:注意使用目标点阈值Thr,若当前节点和终点的欧式距离小于Thr,则跳出当前for循环
    new_distance = sqrt( ( p_new(1) - x_G )^2 + ( p_new(2) - y_G )^2 );
    if new_distance <= Thr
        plot(p_new(1), p_new(2), 'bo', 'MarkerSize',2, 'MarkerFaceColor','b'); % 绘制x_new
        line( [p_new(1) p_near(1)], [p_new(2) p_near(2)], 'Marker','.','LineStyle','-'); %连接x_near和x_new
        line( [x_G p_new(1)], [y_G p_new(2)], 'Marker','.','LineStyle','-'); %连接x_Target和x_new
        break;
    end
    
    %Step 6:将x_near和x_new之间的路径画出来
    %提示 1:使用plot绘制,因为要多次在同一张图上绘制线段,所以每次使用plot后需要接上hold on命令
    %提示 2:在判断终点条件弹出for循环前,记得把x_near和x_new之间的路径画出来
    plot(p_new(1), p_new(2), 'bo', 'MarkerSize',2, 'MarkerFaceColor','b'); % 绘制x_new
    line( [p_new(1) p_near(1)], [p_new(2) p_near(2)], 'Marker','.','LineStyle','-'); %连接x_near和x_new
    hold on;
   
    pause(0.1); %暂停0.1s,使得RRT扩展过程容易观察
end

%% 画出路径
T_LIST = zeros(size(T.v, 2), 5);
for i=1:size(T.v, 2)
    T_LIST(i,1) = T.v(i).x;
    T_LIST(i,2) = T.v(i).y;
    T_LIST(i,3) = T.v(i).xPrev;
    T_LIST(i,4) = T.v(i).yPrev;
    T_LIST(i,5) = i;
end

path = [];
path_count = 1;
path(path_count,1) = x_G;
path(path_count,2) = y_G;
path_count = path_count + 1;
path(path_count,1) = p_new(1);
path(path_count,2) = p_new(2);
n_index = node_index(T_LIST, p_new(1), p_new(2));
path_count = path_count + 1;
path(path_count,1) = T_LIST(n_index,3);
path(path_count,2) = T_LIST(n_index,4);
while path(path_count,1) ~= x_I || path(path_count,2) ~= y_I
    new_n_index = node_index(T_LIST, path(path_count,1), path(path_count,2));
    path_count = path_count + 1;
    path(path_count,1) = T_LIST(new_n_index,3);
    path(path_count,2) = T_LIST(new_n_index,4);
    n_index = new_n_index;
end

for i=size(path,1)-1 :-1: 1
    line( [path(i,1) path(i+1,1)], [path(i,2) path(i+1,2)], 'Marker','.','LineStyle','-','color','r'); %连接x_near和x_new
    hold on;
    pause(0.1); %暂停0.1s,使得RRT扩展过程容易观察
end

其中使用到的collisionChecking函数和node_index函数,可以分别放在两个m文件中,我的文件夹中collisionChecking.m代码如下:

function feasible=collisionChecking(startPose,goalPose,map)

feasible=true;
dir=atan2(goalPose(1)-startPose(1),goalPose(2)-startPose(2));
for r=0:0.5:sqrt(sum((startPose-goalPose).^2))
    posCheck = startPose + r.*[sin(dir) cos(dir)];
    if ~(feasiblePoint(ceil(posCheck),map) && feasiblePoint(floor(posCheck),map) && ...
            feasiblePoint([ceil(posCheck(1)) floor(posCheck(2))],map) && feasiblePoint([floor(posCheck(1)) ceil(posCheck(2))],map))
        feasible=false;break;
    end
    if ~feasiblePoint([floor(goalPose(1)),ceil(goalPose(2))],map), feasible=false; end

end

function feasible=feasiblePoint(point,map)
feasible=true;
if ~(point(1)>=1 &&  point(1)<=size(map,2) && point(2)>=1 && point(2)<=size(map,1) && map(point(2),point(1))==255)
    feasible=false;
end

node_index.m代码如下:

function n_index = node_index(T_LIST,xval,yval)
    %This function returns the index of the location of a node in the T_LIST
    i=1;
    while ( T_LIST(i,1) ~= xval || T_LIST(i,2) ~= yval )
        i=i+1;
    end
    n_index=i;
end

在以下图中搜索出来一条从起点到终点的路径,起点是(0,0),终点是(700,700),map.png如下:

map

运行RRT.m,结果如下:

RRT

gif图片前段路径是上一次规划留下的,可见RRT算法规划出来的路径很随机,这也是RRT算法的缺点,RRT算法可以加入启发式,成为RRT*算法,有兴趣的小伙伴可以去其他博客学习RRT*算法的思想。

发表评论

后才能评论

评论列表(2条)

  • 弟弟 2020年6月17日 下午9:48

    谢谢大佬,代码备注齐全,让我理解RRT。我觉得第16行存储的距离信息可以去掉,还有就是16行定义的距离 (% 从父节点到该节点的距离,这里可取欧氏距离)和68行 T.v(count).dist = min_distance;这句好像不统一吧,如果是父节点到该节点的距离68行这里应该都是50吧。

    • 古月光翟氵青 回复 弟弟 2020年6月18日 下午9:29

      对对,RRT算法里面距离信息重要性不大,这个框架是我想改RRT*中留下的一版,RRT*比RRT的过程多了一个选择父节点的过程,选择某个区域内cost最小的点作为自己的父节点,需要用到距离信息。但RRT*代码出了bug 🙁