随着机器人领域相关技术的不断创新和发展,各式各样的机器人大量涌现,机器人的应用场景越来越复杂,对机器人技术的要求也随之越来越高。路径规划技术作为机器人技术研究中不可或缺的一个组成部分,有着非常重要的研究和应用价值,在机器人领域备受国内外学者的关注和青睐。本文针对静态复杂环境下的路径规划问题,提出一种BiRRT-ACO融合算法来提高机器人路径规划的性能,该算法充分利用了BiRRT算法快速性和ACO算法信息素正反馈机制的优势,通过对两种算法进行多策略优化和融合,得到一种适用于机器人路径规划的快速、稳定、高效的新算法。本文所做的研究工作包括:(1)改进Bi-RRT算法和改进ACO算法。通过对Bi-RRT算法和ACO算法的深入研究和分析,发现这两种算法自身都存在一些不足之处,Bi-RRT算法求解稳定性差、求解效果不佳,ACO算法搜索时间长、易陷入局部最优,导致了最终规划得到的路径质量差。为了改善这种情况,本文在Bi-RRT算法节点扩展的方向性和路径平滑性方面进行改进,在ACO算法的状态转移方式和信息素更新方式上进行优化,这样减少了两种算法搜索路径的时间,大大提高了路径平滑度和路径质量。(2)BiRRT-ACO融合算法。虽然改进后的Bi-RRT算法和ACO算法在规划路径的效果上都有所提升,但仍得不到最优路径,因此本文将这两种算法进行了综合的考虑和分析,提出了BiRRT-ACO融合算法。该算法利用改进Bi-RRT算法快速得到次优路径的优势弥补改进ACO算法前期信息素匮乏的不足,同时利用前者得到的路径陷阱节点更新环境地图状态,从而使得后者在搜索路径时提前规避地图中存在的路径陷阱。通过对两种改进算法进行融合,使得规划路径的效果得到进一步提升,融合算法规划路径效率更高,规划的路径长度更短,平滑度更高,路径质量更好。(3)设计全局规划器,在ROS中应用融合算法进行路径规划。为了模拟机器人在真实环境中的路径规划,本文对move_base功能包和nav_core功能包进行了深入的了解和研究,找到了将本文所提算法应用到ROS中的方法—全局路径规划器。在遵守nav_core功能包中规定的全局规划C++接口的前提条件下,将BiRRT-ACO融合算法设计为ROS认可的全局路径规划器,然后将其以插件的形式嵌入到move_base功能包的全局规划模块中,并在ROS系统中注册这个插件,使得在ROS中进行仿真时能够调用自定义的全局路径规划器。最后,在MATLAB仿真平台,ROS下的三维物理仿真平台Gazebo和三维可视化平台Rviz,以及装载了ROS系统的Bulldog智能车平台中,对本文提出的BiRRT-ACO融合算法进行仿真验证,通过在不同的仿真环境中设置起始位置和目标位置,来模拟机器人规划路径的质量和效果。结果表明,不论在以上哪种仿真环境条件下,本文所提出的算法都能够高效规划出一条高质量的理想路径。