基于双向F-RRT*算法的移动机器人路径规划

针对F-RRT*算法在狭窄环境和多障碍物复杂环境下搜索效率低的问题，提出一种基于双向搜索的F-RRT*算法(BF-RRT*)。以F-RRT*算法为基础，首先采用双向搜索结构，双树从起点和终点轮流扩展，使用贪婪启发式引导随机树生长；其次，针对连续扩展过程中产生的冗余点进行消除处理，快速获得低成本路径，有效提高了规划速度;然后引入启发式函数，并对连接点进行优化以提高路径整体质量。最后分别基于MATLAB和Gazebo仿真平台将改进算法进行了对比实验，结果表明在不同环境下，该算法相较于原算法在迭代次数上平均降低63.5%，在规划时间上平均降低88.41%以上，有效提高了规划效率。     

融合A*和DWA算法的移动机器人路径规划方法

本研究旨在解决自主移动机器人在点到点路径规划中面临的搜索效率低下、易陷入局部最优解以及对未知动静态障碍物处理不够实时的问题。为此,将改进A*算法与改进 DWA进行了有效融合。在改进的A*算法中,我们引入了基于障碍率的权重因子和双向优化策略,以提升搜索效率并生成更加平滑的路径。同时,改进的DWA算法融入了两种新的障碍物评价函数,并通过调整权重系数有效地避免了局部最优解问题。通过将改进的DWA算法与改进的A*算法结合,实现了对未知动静态障碍物的高效实时避障。仿真实验结果显示,提出的改进A算法与传统A算法以及文献［23］的改进算法相比,在四种环境下的表现表明：路径转弯次数分别平均减少了30.14%和18.16%,搜索空间分别减少了35.09%和15.21%,规划时间分别降低了82.36%和38.26%。进一步地,结合改进的DWA算法后,路径规划时间、路径长度和平均运动速度相比融合传统DWA算法和文献［23］的融合算法分别平均减少了37.46%和9.82%,减少了4.59%和3.63%,提高了53.49%和7.09%。     

改进A*算法的移动机器人全局路径规划

针对A*算法在移动机器人路径规划存在搜索效率低,路径斜穿障碍物顶点,路径拐弯多等问题。提出一种改进的A*算法,首先在A*算法的邻域扩展中采用避免斜穿障碍物顶点的策略;再引入障碍物因素对评价函数进行指数加权,减少不必要的搜索,提高A*算法的效率和灵活性,使算法偏向于选择障碍物较少的路径;最后使用三次优化折线的策略,加入障碍物安全距离,减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真,结果表明,在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下,改进A*算法较传统A*算法,搜索时间分别减少70.12%、84.31%、91.44%,扩展节点分别减少53.77%、71.20%、74.30%,路径累计拐弯角度分别减少70.48%、76.31%、82.18%,改进A*算法能够有效的提高移动机器人路径规划的效率,路径更为平滑和安全,且在复杂环境中优势更为明显。     

跳点优化蚁群算法的移动机器人路径规划

传统的蚁群算法（ACA）在路径规划中难以克服路径次优及收敛慢等问题。针对这些问题，提出一种跳点优化蚁群算法（JPOACA）。通过引入跳点搜索（JPS）算法价值函数，筛选出低成本的邻域节点，然后运用ACA的多邻域性扩展JPS算法的邻域，扩大JPOACA的视野，增加低成本邻域数量，在低成本的JPS算法邻域内设计夹角启发信息函数和步长启发信息函数，提高算法的路径寻优能力，最后采用在跳点处补充信息素，最优路径的跳点处额外增加信息素的信息素补充方式，提高融合算法的收敛速度。仿真结果表明，JPOACA规划出的路径光滑更好性，且收敛速度、对复杂地形的适应能力均有显著提升。     

基于改进A*算法的无人机路径规划研究

针对传统A*算法在无人机路径规划时效率低下、路径点存在大量冗余，且路径转折较多的缺点，提出一种基于双向机制的改进A*算法。首先引入双向搜索机制，分别以对向搜索的起点作为终点，然后判断终点位于起点的象限进行双定向搜索，从而提高搜索效率。最后引入路径平滑策略，将双定向搜索获取的初始路径进行平滑处理，减少冗余路径点和转折点。通过MATLAB平台对传统A*算法和改进A*算法进行对比实验，实验结果表明，相比于传统A*算法，提出的改进A*算法，路径规划时间平均减少了61.61%，路径点平均减少了83.09%，路径转折点平均减少了46.97%，能够有效提高无人机工作效率，生成平滑路径。     

基于改进蚁群算法的无人机三维航迹规划

针对传统蚁群算法在无人机三维航迹规划中，存在早期盲目搜索、收敛速度慢、易陷入局部最优等问题，本文提出了一种改进蚁群算法。该算法利用空间位置初始化信息素分布并设定浓度阈值，增强了蚁群早期搜索的方向性，避免了算法陷入局部最优；设计兼顾距离因素和方向因素的启发函数，改善了航迹规划质量；采用自适应挥发因子控制信息素的挥发，提高了算法的收敛速度。通过两组实验表明，该算法相比传统算法规划的航迹平均长度均减少18.6%，平均迭代次数分别减少63.3%和78.7%，平均拐角次数分别减少62.5%和42.3%。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

基于杂交退火灰狼算法的移动机器人路径规划

针对灰狼优化算法在移动机器人路径规划时易陷入局部最优且效率低的问题，提出一种杂交退火灰狼算法。采用可调节的非线性收敛因子进行平衡算法的前期搜索和后期寻优；同时采用自适应遗传杂交策略，对灰狼群体以一定概率两两杂交以产生新个体，从而有效增强灰狼群体的多样性；在迭代的后期用模拟退火操作接受候选狼，避免算法陷入局部最优解。将路径长度和路径平滑度作为适应度评估指标并建立评估函数以评估路径规划效果。最后，路径规划实验结果表明，在3种不同尺寸的地图上，本文改进算法的适应度比灰狼优化算法分别优化了2.10、3.15、3.94,路径规划效果明显优于其他相关算法。     

Bezier曲线与A-Star算法融合的火星探测器路径规划

使用移动探测器探索火星表面是各大航天国家探索火星的主流方式。为了得到探测器的安全路径，提出一种基于改进A^*算法的火星探测器路径规划算法。通过改进路径信息算法中的权重因子，优化传统算法的目标函数，可省略大量无价值的搜索路径，缩短搜索的时间，提高搜索效率。相比于传统的路径规划该算法能缩短53.94%的时间；引入拐角优化算法，在路径长度基本一致的情况下，减少了全局路径中拐弯的次数；满足探测器高效稳定的运行需求，拐角优化后，转弯次数相能减少16.77%。通过四阶贝塞尔曲线对路径进行平滑处理，有效避免出现拐角尖峰，确保探测器在火星表面的平稳行进。     

结合蚁群算法和萤火虫算法的无人船路径规划

为提高无人船在执行水质采样任务时的路径规划效率，提出一种结合蚁群算法和萤火虫算法的路径规划算法。首先，在构建最短采水路径网络时，将转向角代价启发函数引入传统蚁群算法，减少路径搜索结果中的频繁转向；其次，剔除搜索结果中的冗余结点，进一步减少无人船转向次数，使所求得路径更适用于无人船实际航行。最后，在求解最优采样顺序时，基于随机修正的方式设计了一种改进的萤火虫算法，提升了算法的收敛速度。仿真实验结果表明，本文所设计算法能够完成水质采样任务路径规划任务，相比传统算法，搜索效率更高，有效缩短了总路径长度。     

基于人群密度的最优路径规划算法研究

在众多路径规划算法中,A^*算法是一种典型的最短路径规划算法,但是该算法的应用环境较为局限。为此综合复杂环境中人群密度的因素,以时间最短为准则,将最短距离路径规划问题优化为最短时间路径规划。最优路径规划算法在A^*算法的基础上,引入不同人群密度环境下的行人速度模型,将A^*算法中基于距离的评估函数改变为基于时间的评估函数。实验通过标准网格地图对144种情况进行了模拟,结果表明,相较于传统A^*算法,最优路径规划算法优先选择从周围低人群密度区域绕行到达终点,规划路径在距离上可能更长,但是花费的时间更短。     

基于 ROS与融合算法的室内无人机路径规划研究

针对四旋翼无人机在室内环境下路径规划效率低、缺乏实用性等问题,提出一种基于融合改进算法的路径规划方法。 首先引入室内混合约束,使用动态加权对传统 A* 算法的评价函数进行重构;其次根据不同地图区域方位角自适应调整邻域 搜索方式;然后考虑无人机实际尺寸影响,设定安全半径,并用Floyd算法对路径做拐点冗余处理;最后融合改进 A* 算法与 改进 DWA 算法,实现了四旋翼无人机的室内自主路径规划和避障。MATLAB 不同仿真环境下的结果表明,改进后算法搜索 节点数和转弯角度分别平均减少63.1%和58.9%,保证全局路径最优的同时,提升了搜索效率与路径安全性。经 ROS 操作 系统的实验结果验证,融合算法在避障效果与运动平稳性等方面具备明显优势,可应用于室内复杂场景下无人机的路 径规划。     

改进萤火虫算法在路径规划中的应用

为了保证移动机器人路径规划的解的多样性,提出了小生境萤火虫算法(NFA)。首先,根据环境特点,建立合理的路径规划模型,将萤火虫算法(FA)的目标函数设置为移动步数,并重新设计了亮度公式、初始化方式和萤火虫移动方式;其次,在FA的基础上,引入小生境技术,并在小生境种群间加入共享信息。仿真实验表明,NFA一次运行可得到多个最优路径。相比FA,NFA的移动步数和目标函数均值分别减少了7.14%、6.76%,萤火虫亮度均值增加了8.33%;相比GA,NFA的移动步数和目标函数均值分别减少了7.14%、9.79%。结果表明NFA在算法性能上更优。