一种混合路径规划方法在轮式机器人中的应用*

针对目前机器人在局部路径规划和全局路径规划中存在的问题,提出了一种混合路径规划方法,构建了机器人运动模型与障碍物扩展模型,机器人在栅格地图上沿全局规划路径向目标点移动时,在线实时规划出局部临时目标点以避开探测到的障碍物。最后证明了该规划方法的时间收敛性,并在双轮差速驱动机器人Pioneer 3-DX实验平台上验证了方法的有效性。     

移动机器人的完全遍历路径规划:生物激励与启发式模板方法

提出了基于生物激励神经网络的一种新的完全遍历路径规划方法.该方法集成了模板模型、启发式搜索和障碍物逼近算法.一种称为分流合作-竞争反馈网络的生物激励神经网络被用于移动机器人的工作环境建模,而模板模型法、启发式算法和障碍物逼近算法用于移动机器人的避障路径规划,其中障碍物逼近算法能够实现不规则形状障碍物周边区域的遍历,以进一步改善路径规划的覆盖区域.仿真研究表明,本文方法使得路径规划的性能得到明显的改进,例如规划路径的重叠率,而且算法简单有效.     

移动机器人全覆盖信度函数路径规划算法

针对移动机器人全覆盖路径规划问题,给出一种基于栅格信度函数的全覆盖路径规划算法。目的是为了控制移动机器人能够遍历工作区域中所有的可到达点,同时保证能够自动避开障碍物。首先,根据环境的信息对栅格地图进行赋值,使用不同的函数值表示障碍物、已覆盖栅格和未覆盖栅格;其次,判断机器人是否陷入死区引入不同方向信度函数,对栅格函数值进行调整;最后,机器人根据栅格信度函数值规划覆盖路径。本文所提及的算法不仅能够引导移动机器人实现工作区域的全覆盖而且能够快速逃离死区,实现覆盖路径的低重复率。仿真实验中,通过与生物启发神经网络算法的比较,证明本文提及算法有更高的覆盖效率。     

基于栅格模型机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法.该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索;在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子;此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式.仿真试验结果表明,改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,算法也能迅速地规划出一条最优路径.     

一种栅格模型下机器人路径规划的改进蚁群算法

提出了一种静态环境下机器人路径规划的改进蚁群算法。该算法使用栅格法对机器人的工作空间进行建模,通过模拟蚂蚁的觅食行为,采用折返的迭代方式对目标进行搜索。在搜索过程中,以移动方向一定范围内最大信息素和目标引导函数作为启发式因子。此外,根据蚁群算法处理本问题时信息素散播的特点,重构了信息素的更新策略和散播方式。仿真实验结果表明,这些改进措施使最优路径的寻找快速而高效,即使在障碍物非常复杂的环境下,也能迅速地规划出一条最优路径。     

未知环境机器人路径规划环境建模

针对未知环境下机器人路径规划算法存在的运算耗时较高、响应慢等问题，提出一种适用于未知环境信息情况下的动态路径规划方法及规避策略。通常情况，一般机器人主要是设计出最短路径，但本文的机器人的路径要求解决避开障碍物快速到达幸存者位置并给予治疗的优化路径。本文首先提出对栅格法中如何确定栅格大小的方式优化方案；换取滚动窗口算法中的启发式算法，应用改进后的粒子群算法实现局部环境的路径规划；在适应度函数中加入安全因子和平滑因子。机器人在搜索环境中，通过正确的适应度函数，规划一条从起点到目标点的最优路径，采用改进后粒子群算法进行路径规划，机器人可以安全避开所有障碍物。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

基于改进A*算法和lattice算法的路径规划方法

针对A*算法缺乏动态性、不够平滑、计算量大,且不满足具体的非完整约束等问题,提出一种融合改进A*算法和lattice算法的路径规划方法.一方面消除传统A*算法中的冗余点,同时考虑物体的方向属性和实际运动约束,优化启发式函数最终生成全局路径.另一方面lattice根据改进A*算法生成的全局路径作为参考线,采样并结合障碍物信息和其他代价信息选出平滑的、无障碍的包含位置、移动速度、移动加速度等信息的局部轨迹.使用栅格地图进行车辆路径规划的实验仿真,该算法能够兼顾全局与局部,快速规划出一条平滑且满足车辆非完整性约束的运动路径.     

改进双向蚁群算法的移动机器人路径规划

针对机器人在静态环境下全局路径规划存在无法找到最短路径,收敛速度慢,路径搜索盲目性大,拐点多等问题,提出一种改进双向蚁群算法。以栅格地图为机器人运行环境,对障碍物有效顶点进行定义、编码和运用,同时结合以相同障碍物有效顶点为相遇条件的双向蚁群算法,双向交替进行路径搜索,能够快速地找到更短路径,得到的路径拐点更少。引入改进的状态转移规则,能够加快搜索速度。在启发函数中引入可调常数因子,在以障碍物有效顶点为路径搜索的节点,每走一步相当于传统算法的一步或多步行走。动态调整挥发系数并设置信息素浓度范围,能够避免陷入早熟。通过与其他算法仿真对比,验证了改进算法的可行性、有效性和优越性。     

A*算法在AGV路径规划上的改进与验证

针对单AGV路径规划时,A^*算法的启发函数采用曼哈顿距离时遇到障碍物会出现局部绕行这一问题,将带有障碍物的栅格地图作为环境模型,研究出两种改进A^*算法的路径规划方法。第一种方法是在遇到障碍物时将启发函数中曼哈顿距离换成欧氏距离,利用欧氏距离规划路径代价最小的特性避免绕行;第二种方法通过比较AGV遇到障碍物的位置与障碍物左右两端距离大小,通过规定行驶方向避免绕行。仿真结果表明,两种方法均可以在单AGV遇到障碍物时避免绕行,有效地减少了行驶时间,也使得路径更加平滑,提高了AGV的运行效率。     

基于JPS改进的移动机器人路径规划算法

针对跳点搜索（jump point search,JPS）路径规划算法在大尺度复杂场景下存在内存资源消耗较大、路径结果平滑度较低且路径过于靠近障碍物等问题,提出融合安全势场等级函数与优化Floyd算法的改进JPS算法。首先建立了安全等级函数对栅格地图中的栅格状态进行重新赋值构建安全等级地图;然后改进了启发式函数,引入目标与主方向两项偏置函数项结合安全等级函数项,进一步减少对称性搜索带来的时间消耗,改善了所规划路径的安全程度。其次通过添加二次平滑算法流程优化了Floyd算法;最后结合B-spline样条插值法,进一步提高了改进算法所规划路径的平滑程度。仿真实验验证了改进优化算法在内存资源消耗、路径长度、路径平滑程度以及路径安全程度都有显著提升。     

禁忌搜索在栅格地图中的应用

以禁忌搜索算法为基础,对栅格地图搜索过程进行建模,提出一种能够利用经验知识的改良禁忌搜索算法,为航向指引、水源探测、灾后搜救等领域的智能辅助工具实现提供算法参考。对禁忌搜索算法的关键优势进行分析,提出以正六边形为单元的地图栅格划分方法,将问题建模为禁忌搜索可求解的最优化问题。以沙漠水源搜索为实例,选取多个沙漠元素作为水源探测相关指示参数,进行仿真实验。实验表明,本文所提出的方法可以在10000以内单元格数目的栅格地图中,搜索路径的成功规划次数占比达到91.7%以上,相比于“爬山法”策略提高至少36.68个百分点,搜索耗费的步数相比于遍历策略优化88.4%以上。     

基于并行-交替式双向JPS算法的机器人路径规划

针对跳点搜索（Jump Point Search,JPS）算法在障碍物位置随机的栅格地图中路径规划时间较长的问题,提出了并行-交替式双向跳点搜索（Parallel Alternate Bidirectional Jump Point Search,PA-BJPS）算法。首先,在起始点与目标点间确定一个中心热点区域;其次,采用改进了预计代价函数的并行式双向跳点搜索算法,分别规划从起始点抵达中心热点区域以及目标点抵达中心热点区域的路径;然后,采用交替式双向跳点搜索算法,规划中心热点区域内部的路径;最后,提出迭代式路径修正方法来改良危险路径,并采用3次B-样条曲线替代拐角来平滑路径。仿真结果表明,并行-交替式双向跳点搜索算法有效地缩短了路径规划时间,同时提高了路径的安全性和平滑性。     

基于人工势场的A*算法的移动机器人路径规划

为了解决传统A*算法规划路径时未考虑到障碍物分布对路径选取的影响,文中提出了一种改进的A*算法.将人工势场的思想与传统的A*算法相结合,对栅格地图中的障碍物赋予斥力场函数并计算周围栅格的斥力大小,进行路径搜索时将栅格的斥力大小引进到A*算法的评价函数当中以改进A*算法的搜索能力.通过MATLAB仿真和Turtlebot机器人的实验结果表明,与传统的A*算法相比,改进后的新算法与人工势场算法相结合,规划出了更优的路径,提高了路径规划效率,且搜索速度提高了 13.40％～29.68％,路径长度缩短了 10.56％～24.38％,路径节点数减少了 6.89％～27.27％,因此,改进的A*算法的优化效果明显,具有有效性和可行性.     

基于人工势场的A*算法的移动机器人路径规划

为了解决传统A*算法规划路径时未考虑到障碍物分布对路径选取的影响,文中提出了一种改进的A*算法.将人工势场的思想与传统的A*算法相结合,对栅格地图中的障碍物赋予斥力场函数并计算周围栅格的斥力大小,进行路径搜索时将栅格的斥力大小引进到A*算法的评价函数当中以改进A*算法的搜索能力.通过MATLAB仿真和Turtlebot机器人的实验结果表明,与传统的A*算法相比,改进后的新算法与人工势场算法相结合,规划出了更优的路径,提高了路径规划效率,且搜索速度提高了 13.40％～29.68％,路径长度缩短了 10.56％～24.38％,路径节点数减少了 6.89％～27.27％,因此,改进的A*算法的优化效果明显,具有有效性和可行性.     

基于K-Means与SVM结合的栅格分区路径规划方法

智能清洁机器人全局路径规划中,利用栅格法对清洁机器人的工作环境进行建模。分别介绍了K-Means聚类算法和支持向量机(SVM)算法,使用K-Means聚类算法与支持向量机(SVM)相结合的方法,以不同的约束条件进行聚类,在含有复杂障碍物的栅格地图时能有效减少分区,利用蚁群算法对分区后的栅格地图路径规划仿真,有效地提高了蚁群算法在栅格地图路径规划中的整体效率。     

求解多目标点路径规划问题的离散头脑风暴算法

为保证移动机器人以最短路径遍历多目标点,该文提出一种基于离散头脑风暴的多目标点路径规划算法。首先,考虑障碍物对路径规划的影响,将目标点间的最短避障距离作为评判依据,提高规划路径合理性。其次,针对传统离散头脑风暴算法在解决组合类优化问题时提前陷入局部最优的问题,提出一种启发式自适应路径优化策略,通过设计与迭代次数相关的适应度选择函数以及改进启发式交叉算子,增加路径多样性和提高算法收敛速度。基于栅格法建立地图模型,在不同环境地图中选取多个目标进行对比仿真,验证所提算法的有效性以及对不同环境的适应性。     

基于量子进化算法的移动机器人实时路径规划

提出一种改进的量子进化算法来解决机器人实时路径规划问题。采用栅格法对环境建模,给出一种新型的解码方法来将量子个体转换为用栅格点表示的路径。在量子旋转门的基础上,引进遗传算法中的交叉和变异操作以及专门针对路径规划问题设计的修复算子,共同对量子种群进行更新,提升了算法的搜索效率。借助Matlab图形用户界面GUI实现对机器人实时路径规划过程的模拟,仿真结果表明,所提方法能够在较复杂的环境中规划出可行且长度较短的路径,且当环境中出现新的障碍物或原有障碍物向不同方向移动时,该方法均能及时地响应,重新规划出新的最优路径。     

改进A*算法的智能车路径规划研究

由于A*算法所规划的路径存在着转折次数多,路径不平滑,路径贴合障碍物和初始时刻转折角度过大等不符合车辆运动学的问题。为了解决上述问题,获得适用于智能车的优化路径,本文通过对车辆运动学建模得到车辆的约束,同时在估价函数中加入车身轮廓代价和障碍物距离代价,并将车辆约束加入到A*算法的启发函数和路径优化中,再使用贝塞尔曲线拟合转折点,使A*算法所生成的路径更加符合车辆的运动学。通过分析改进A*算法可知,改进后的算法所规划的路径更加平滑、合理且符合车辆的运动特性。     

栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.