《表1 三种算法在不同迭代次数下运行100次的平均数据》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于矢量场的无人机动力学规划算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

对于上述算法的规划结果，为了避免RRT*的概率完备性带来随机性，本文还分别对1 000、3 000、5 000次迭代进行100次模拟，然后对扩展节点数N、最佳轨迹的成本C和算法的运行时间T作比较分析。表1列举了三种算法在不同迭代次数下的扩展节点树、运行时间和轨迹成本的统计数据。从表1中可以看出，上述算法在三种迭代次数下扩展的节点数都较少，即在微分约束下基于采样的规划在状态空间搜索的效率普遍不佳，这是因为在复杂环境中找到两个状态之间满足系统微分约束并且无碰撞的状态轨迹是困难的。在扩展节点数上，本文提出的算法与Kinodynamic RRT*算法相比平均提升了49.8%，与Kino-FMT*算法相比平均提升了12.3%；在最终轨迹的成本值上，三种算法随着迭代次数的增加成本值均逐渐降低，具备较好的渐进最优性。本文的算法由于扩展节点数明显多于其他两种算法，在成本值上也获得了更好的效果；在算法的运行时间上可以看出，动力学规划算法的运行时间都普遍较高，并且本文提出的算法由于节点数的优势也花费了更多的时间。通过比较扩展相同节点数时所需时间确定相应的运行时间，从表1中加粗的数据中可以看出，本文的算法在扩展的节点数略多于其他两种算法的情况下却花费了更少的时间，说明了本文提出的算法在运行时间上更具有优势。