随着人类生活水平的不断提升和工业自动化、智能化程度的飞速发展,在机器人技术的助力下,无人驾驶汽车、自动送货机、自动仓储系统等智能自主作业机器人的问世帮助人类逐步从枯燥、单调的工作中解放出来。运动规划技术作为机器人智能化、自主化的重要环节得到了业界广泛的关注。基于采样的运动规划方法相比于其它规划方法具有求解速度快、高维空间可拓展性强且无需对状态空间进行精确建模等优势,因此,基于采样的方法逐渐成为运动规划领域的研究重点。与此同时,现有的采样运动规划方法也存在些许不足:如复杂环境中寻路效率低、探索盲目性、结果随机性、非动态实时性等问题。针对上述不足,论文主要开展了如下研究工作:1.提出一种无碰撞检测的采样规划方法。由于采样运动规划方法需由碰撞检测验证所寻路径的可行性,致使大量的计算时间耗费在碰撞检测环节上,特别是采样点达到一定规模后,该缺点尤为突出。因此,所提方法通过碰撞风险评估函数及路径代价上限设计保障避障性,改善碰撞检测导致算法收敛速度慢、效率低的问题。通过理论分析、仿真及移动机器人实验验证该方法的可行性和优越性。2.提出一种缩小采样空间的高效规划方法。多数运动规划问题的最优解仅占用构型空间中较小的区域,因此,在整个构型空间中进行随机搜寻必然导致节点的浪费,同时也耗费较大内存空间。所提方法包含以障碍物为引导的初始路径搜索策略,通过初始路径长度确定初始采样范围,改善Informed-RRT*算法寻得第一条可行路径前在整个构型空间中进行盲目搜索的问题。该方法还设计了根据当前最佳可行路径长度计算多元高斯分布采样的相关参数方法,使算法的实际采样空间小于Informed-RRT*算法,大幅提高每个采样点改善当前路径质量的概率,并通过理论分析及仿真应用验证该方法的可行性和高维空间可拓展性。3.提出一种双树结构的动态环境中实时重规划方法。现有的重规划方法效率较低,难以实现实时规划且容易陷入局部最优解。所提方法包含障碍物出现时的避障策略和障碍物消失时的优化策略,其中避障策略包含对NCC-RRT*算法生成的主搜索树的修剪策略,并将修剪下的节点作为RRT*算法生长次搜索树的采样集合,保证方法具备避障能力的同时无需进行额外采样,节省计算时间和内存空间,提高重规划效率;优化策略包含RRT*算法生长次搜索树的采样策略,保证算法在变化的环境中能够寻得最优可行路径。通过理论分析、仿真及移动机器人动态场景实验进一步验证该方法的可行性和实时性。