Aceleración de la convergencia de RRT* con un nuevo enfoque de muestreo no uniforme y uniforme

Resumen La planificación de rutas juega un papel crucial en la robótica móvil autónoma. Los planificadores de rutas basados en muestreo son ampliamente utilizados y frecuentemente empleados para generar caminos libres de colisiones entre una ubicación de inicio y un objetivo. Debido a su optimalidad asintótica, el algoritmo del árbol aleatorio de exploración rápida óptimo (RRT*) es el más utilizado entre estos. Sin embargo, su dependencia del muestreo uniforme a menudo resulta en una convergencia lenta. Para abordar este problema, este trabajo propone un nuevo método de muestreo híbrido llamado RRT*-NUS (muestreador no uniforme–uniforme), que combina muestreo uniforme y no uniforme para mejorar la eficiencia de exploración. El método propuesto RRT*-NUS se evalúa frente a seis algoritmos de referencia: RRT*, Informed RRT*, RRT*-N (RRT* de muestreo normal), GS-RRT* (RRT* de muestreo orientado a objetivos), DR-RRT* (RRT* de muestreo aleatorio direccional) y hybrid-RRT* en tres diferentes escenarios de simulación 384*384 2D. Los resultados de la simulación numérica indican que el RRT*-NUS propuesto supera a los algoritmos de referencia RRT* en términos de tiempo de planificación y convergencia. Supera a RRT* en un 67.5% y a Hybrid RRT* en un 54% en rendimiento temporal. Además, logra una tasa de convergencia de 0.41 unidades/s, lo que es 3 veces más rápido que RRT* y casi 2 veces más rápido que Hybrid RRT*.