降密度蒙特卡罗工作空间算法

边界精度高且点云少九成

用先均匀加密后边界循环加密策略，在少得多的点云下达到同等或更高的工作空间求解精度。

Dou, Rutong · 于慎波 · Feng, Sun · Xia, Pengpeng · Yokoi, Hiroshi · Jiang, Yinlai

Xinan Jiaotong Daxue Xuebao/Journal of Southwest Jiaotong University 2023

参数信息

平均误差率

0.022 42 %

点云总数减少率

93.89 %

平均误差率降低值

0.138 53 %

平均误差率降低值

0.113 29 %

点云总数减少率

44.83 %

点云总数减少率

64.52 %

技术优势

点云少九成

只在边界区域加密，空间内部不再产生冗余随机点，求解同样精度的工作空间只需极少点数。

边界更准

先均匀加密使边界清晰，再循环加密边界，在同样循环次数下误差率明显低于改进蒙特卡罗法。

循环越久越省点

随着加密循环次数从 2 增至 4，点云总数较改进蒙特卡罗法多减少近 20 个百分点，但精度仍在提升。

应用场景

• 机械臂工作空间分析：用极少点云快速得到高精度工作空间边界，评估可达性。
• 人形机器人运动规划：在规划中实时判断目标点是否在操作范围内，避免无效运动。
• 机器人工作空间求解：大幅降低求解工作空间的计算量，适合高自由度机器人。
• 机器人运动学仿真：嵌入仿真软件快速生成工作空间云图，交互更流畅。
• 机器人操作空间分析：用更低成本获得精确操作空间边界，便于布置任务。