基于视觉的自主机器人障碍识别与路径规划

障碍物的识别与行走路径的规划是机器人实现自主移动的必要手段。本文基于深度相机提出一种由深度连续性与彩色特征点融合的障碍识别方法,通过深度相机获取物体的空间位置信息,映射到已有的地图中,构建障碍物空间。又提出一种PRM-D*的路径规划方法,先使用改进的随机概率路线图(PRM)完成整体路径规划工作,再根据相机识别的障碍物,设置局部地图,使用基于图搜索的D*算法进行局部动态规划,完成动态避障任务。通过实验,所提障碍物识别方法即使在昏暗的室内环境中,其对障碍物的检测准确率也大于80%,常规环境检测准确率高于95%,具有较好的鲁棒性与实时性;PRM-D*的路径规划方法在缩短总体规划时间的同时,确保了路径规划的成功率,单次动态规划时间小于0.02 s,具有良好的动态避障性能。     

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。     

基于改进RRT算法的无人车路径规划研究与测试

针对基本快速搜索随机树(RRT)算法在路径规划过程中存在的节点采样随机、收敛速度慢以及寻址精度低等问题,结合目标引力函数和障碍物排斥力场函数,设计了一种基于动态步长的改进RRT算法。算法采用分区域节点扩展方式,实现精细化路线规划,提升路径指向性及避障能力;同时,利用转角限制、平滑处理等方式减少无效拐点,提高路线实用性。结果表明,所用算法具有较好的抗干扰能力,可有效提高无人车的路径规划精度和作业效率,缩短货物运送路程,减少成本消耗。相比基本RRT算法,采用改进RRT算法的无人车行驶路程缩短17.7%,作业效率提高25%,成本消耗减少25%。研究结果具有一定实用性,可为仓储无人运输车应用提供理论支撑。     

融合 A∗ 蚁群和动态窗口法的机器人路径规划

针对蚁群算法在全局路径规划时无目的搜索、收敛慢和规划的路径不平滑等问题,本文提出了一种融合 A ∗ 蚁群和动 态窗口法(dynamic window algorithm, DWA)的平滑路径规划方法。 首先,对于传统蚁群算法,利用改进 A ∗ 算法非均匀分配初始 信息素,解决算法初期搜索无目的问题;给出算法自定义的移动步长和搜索方式,提高路径寻优效率;修改转移概率函数中的启 发函数值并增加障碍物影响因子,在避免死锁现象的同时加快收敛速度;采用二次路径优化策略,使得路径更短更平滑;其次在 动态窗口法的评价函数中引入动态避障评价子函数,提高路径的安全性。 仿真实验结果表明,改进 A ∗ 蚁群算法较传统蚁群算 法可减少 8. 75%的路径长度和 59%的转折点数,融合优化动态窗口法后,移动机器人既能保证在静态环境下规划出全局最优 的路径,又能实现动态环境下的路径规划,有效躲避环境中出现的动态障碍物。     

改进egoTEB算法的机器人动态避障规划

对动态环境下自我时间弹性带(ego-timed-elastic-band, egoTEB)算法在避障时耗时较长且轨迹欠佳的问题，提出了改进egoTEB算法。首先对动态环境信息进行自我感知，以机器人自我为中心，由点、线段到圆形障碍物对环境信息进行提取，利用代价矩阵匹配圆形障碍物类型，采用集合卡尔曼滤波(ensemble Kalman filter, EnKF)模型跟踪动态圆形障碍物的运动轨迹。其次基于自我感知障碍物信息，构建由静态间隙和动态间隙组成的间隙规划图，设计加权间隙代价引导机器人局部轨迹安全穿过间隙，避开障碍物。最后利用机器人操作系统(robot operating system, ROS)进行仿真实验，验证了改进egoTEB算法能更快速地规划出安全轨迹，实现机器人适应性更强的避障效果。     

基于融合A*算法的无人机路径规划研究

针对三维环境下A*算法搜索路径不平滑,不具有动态避障的问题,本文提出了一种融合A*算法。该算法在A*算法的基础上,首先引入了俯仰角和偏航角作为搜索约束,其次采用变权值的评估函数和无人机航程、飞行高度、威胁代价,最后将平滑后的A*算法与人工势场法相结合,并利用粒子群算法对A*算法和人工势场法涉及的参数进行寻优。仿真结果显示,融合算法较传统A*算法而言,节省5.34%的燃油损耗,提高了搜索效率,缩短了路径长度,规划出的路径更加平滑,而且能够实现实时动态避障。     

基于TCensus的立体匹配算法及FPGA设计

随着无人机技术的迅速发展,利用无人机代替人工进行电力线巡线是行业内发展的新趋势。尽管无人机电力巡线相对于人工巡检效率更高,更加安全,但无人机巡检仍然面临一些问题,无人机的避障技术亟待完善,在巡检过程中无人机会出现与周边障碍物相撞的情况,尤其是细小的电线对无人机安全造成巨大的威胁。这些线状物往往目标不明显,雷达,超声波等技术得到的回波较少,造成避障困难。基于双目视觉系统的无人机避障技术在无人机避障领域得到了广泛的研究和关注。针对双目视觉实时无人机电力巡检避障应用,提出了基于TCensus（形态学Tophat变换和MiniCensus）变换的匹配代价测量方法来对原始图像中的弱目标进行增强,同时采用基于十字结构的支持区域来提高匹配的准确度。实验证明,本文设计的双目视觉系统可以有效检测无人机到电力线之间的距离,检测误差达到5%,提出的TCensus立体匹配算法与其它方法相比除了能够获得同样准确的背景深度图之外,还能对电线区域具有更精细的成像效果。     

基于区域搜索粒子群算法的机器人路径规划

针对粒子群算法应用于移动机器人路径规划时存在的易早熟、易陷入局部最优等问题,提出一种基于区域搜索的自适应粒子群(region search-adaptive particle swarm optimization algorithm, RS-APSO)路径规划方法。首先,通过区域搜索算法对原始地图进行预处理,减少地图中的无效信息。其次,提出两种可变算子对惯性权重因子进行调节,对加速因子进行自适应改进,增强算法不同时期的搜索能力,利用新的加速因子使粒子快速摆脱较差区域。最后通过动态避障策略,使机器人可以安全规避移动障碍物。仿真结果表明,RS-APSO算法相较于PSO算法,平均运行时间降低了30.3%,平均迭代次数降低了43.9%,在动态环境中也能生成安全路径。     

改进QPSO和Morphin算法下移动机器人混合路径规划

为了提高机器人在复杂环境下路径规划的能力,提出了一种基于改进量子粒子群优化算法(QPSO)和Morphin算法的混合路径规划方法。利用栅格地图建立环境模型并确定起始点和目标点,通过引入自适应局部搜索策略和交叉操作对QPSO进行改进规划出一条最优的全局路径,机器人根据全局路径行走,当发现未知静态或动态障碍物立即调用Morphin算法进行局部路径规划,避开障碍物后回到原全局路径上继续行走至目标点。该混合路径规划方法的有效性和可行性通过Matlab仿真和实际应用得到很好地验证。     

基于物联网的无人机智能巡线路径规划方法

为在输电线路环境不确定因素较多的情况下,确保智能巡线路径规划效果,提高障碍物勘测安全性及目标搜索准确率,提出基于物联网的无人机智能巡线路径规划方法。基于物联网平台特点,结合输电线路周围环境特征,利用视距测量方法测试安全距离;采用加权距离公式,计算地面对飞行点间距离差,锁定地面差值与飞行距离差值间的加权关系,保证无人机稳定飞行;通过拉格朗日插值法计算输电线路周围节点,对噪声数据进行粗差剔除,补偿差值向量;采用强化学习算法中启发式回报函数,计算样本障碍物间路径,划分最优航线行驶路径,规划无人机智能巡线路径。实验结果表明：所提方法的无人机与障碍物之间的距离差值均未小于200 m,目标搜索个数可达33,数据剔除率高达98%,其智能巡线路径规划和数据粗差剔除效果较好,能够有效提高障碍物勘测安全性和目标搜索准确率。     

基于改进APF-RRT的机械臂避障路径规划

为提高机械臂在复杂环境下的避障路径规划效率,提出一种适用于椭球障碍物的改进人工势场-快速搜索随机树（Artifical Potential Field-Rapidly exploring Random Tree,APF-RRT）算法。首先,使用椭球体包围盒包络障碍物,对椭球体的碰撞检测进行分析;其次,为了加快路径探索速度,引入随机点效应与随机点选择机制对RRT算法进行改进,机械臂采用改进后的RRT与人工势场法的混合方法进行路径规划;最后,对规划好的路径进行冗余点删除,并使用四次B-样条曲线对路径进行平滑,提升路径的质量。实验结果表明,相较于经典算法,该算法能够快速完成避障路径规划且规划路径更短。     

基于柱状空间和支持向量机的无人机巡线避障方法

针对电力无人机巡线的避障问题,提出了基于柱状空间法和支持向量机的电力无人机巡线避障方法。首先,根据飞行区域内的障碍物,建立了柱状空间模型;引入支持向量机,从一个全新的角度实现无人机对环境的避障;最后将方法应用于无人机中,并进行了相关的仿真验证。仿真结果表明,所提出的方法可以确保电力无人机巡线时安全可靠地避障。     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。     

Deep Reinforcement Learning Based AGV Self-navigation Obstacle Avoidance Method

A local path optimization model and obstacle avoidance strategy based on Actor-Critic algorithm is proposed for the local obstacle avoidance problem of automatic guided vehicles in a complex workshop environment. In the complex working environment of the production workshop, we analyze the automatic obstacle avoidance problem of AGV trolley, establish the front and both sides of the AGV tentacle model and Markov decision process, and describe the local obstacle avoidance path in the form of virtual tentacles. And based on deep reinforcement learning to solve the path obstacle avoidance strategy, it is applied to the AGV self-navigation system. The dynamic obstacle avoidance performance of AGV is tested through simulation experiments, and the effectiveness of the proposed algorithm is verified by completing local obstacle avoidance path planning under global path guidance.     

一种仿生机器鼠的跟踪与避障策略

针对一种新型仿生机器鼠平台的运动规划问题主要包括跟踪、避障等问题,依据仿生机器鼠的双目视觉系统以及多自由度的机械结构,根据驱动电机的特性,建立仿生机器鼠的扭腰、抬身、攀爬等动力学模型,采用"记忆"目标鼠的特征、"学习"最优避障路径、"推断"目标鼠的运动方向等方法,实现了仿生机器鼠的跟踪与避障行为,提出了一种基于仿生学原理的仿生机器鼠的跟踪与避障策略。在一种新型仿生机器鼠平台上的实验结果表明,相比与基于虚拟阻抗模型的控制方法,该跟踪与避障策略能够更好地实现仿生机器鼠的跟踪与避障行为,从而验证了策略的可行性与有效性。     

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。