多个水下机器人动态任务分配和路径规划的信度自组织算法

针对多个水下机器人(autonomous underwater vehicles,AUVs)动态任务分配和路径规划速度跳变问题,引入栅格信度函数概念,给出一种改进的栅格信度自组织(belief function self-organizing map,BFSOM)算法.目的是控制一组AUV有效地到达所有指定的目标位置,同时保证AUV能够自动的避开障碍物.首先,自组织神经网络(self-organizing map,SOM)算法对多AUV系统进行任务分配,使得每个目标位置都有一个AUV去访问.整个分配过程包括定义SOM神经网络的初始权值、获胜者选择、邻域函数的计算3个步骤;其次,根据栅格信度函数和环境信息更新SOM获胜神经元的权值,使得每个AUV在访问对应目标的过程中能够自动避障并且克服速度跳变,实现AUV自动有效路径规划.最后,通过仿真实验证明了本文提及算法的有效性.     

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。     

移动机器人全局覆盖路径规划算法研究进展与展望

首先通过势场栅格法、单元分解法、全局与局部转换法等三大方法介绍了单移动机器人各种不同的全覆盖算法,分析了各种不同算法的性能,指出了它们的优缺点,并对每种方法的改进方法进行了探讨分析;另外,针对多机器人协作全覆盖路径规划的研究,探讨了基于单机器人全覆盖路径规划算法和任务分配算法等结合得到的多机器人协作路径规划算法;最后探讨移动机器人全覆盖路径规划算法的研究方向。分析结果表明,对于移动机器人全覆盖算法的研究,可充分利用现有算法的优势互补,或借助多学科交叉的优势,寻找更有效的算法。     

基于滚动优化和分散捕食者猎物模型的全覆盖路径规划算法

针对多机器人执行全覆盖任务效果差的问题,提出一种基于滚动优化和分散捕食者猎物模型的多机器人全覆盖路径规划算法.首先,利用栅格地图表示作业的环境空间,并基于栅格地图修正捕食者猎物算法中的避开捕食者奖励,添加移动代价奖励和死区回溯机制构建分散捕食者猎物模型;然后,引入滚动优化方法,避免机器人陷入局部最优,预测周期内机器人覆盖栅格的累计奖励值作为适应度函数,并使用鲸鱼优化算法(WOA)求解最优移动序列;最后,在不同环境下进行仿真实验,得到的平均路径长度与生物激励神经网络算法(BINN)和牛耕式A*算法(BA*)相比分别减少了16.69%sim17.33%、10.32%sim20.03%,验证了所提出算法在多机器人全覆盖路径规划中的可行性和有效性.     

栅格地图环境下机器人速度势实时路径规划

针对智能制造工程环境中移动机器人的自动避障问题,提出一种基于栅格地图的移动机器人速度势实时避障路径规划方法。利用栅格法二值化移动机器人的工作场景,从机器人中心出发向不同方向进行栅格搜索。基于障碍物对移动机器人有排斥作用以及目标点对机器人有吸引作用的思想,通过栅格数的累加计算机器人到障碍物之间的实时距离,并以此为参数,考虑障碍物的形状、最小安全距离等因素的影响来建立负的速度增量函数;以机器人当前位置与目标点的实时距离和角度为参数建立正向速度增量函数。进而在机器人运动学模型基础上,定义速度势函数来对移动机器人进行实时速度驱动。通过设置最小速度增量,避免在零势点处的局部极小点问题;通过设立距离阈值,避免在目标点附近速度增量趋于无穷的问题。通过仿真对所提出的算法进行验证。     

移动机器人的混合式路径规划算法研究

针对移动机器人在两个相邻的子工作区域中易陷入局部死区陷阱的问题,提出慎思层与反应层相结合的混合式路径规划算法。首先,在慎思层采用栅格法为移动机器人规划出全局较优路径序列,并为反应层提供子目标点。然后,在反应层采用人工势场法或行为分解法实现慎思层规划的路径,并对环境中的障碍物进行避障。仿真结果表明,混合式路径规划算法具有良好的规划效果。基于栅格法与人工势场法的混合式路径规划以及基于栅格法与行为分解法的混合式路径规划都能使移动机器人高效地到达目标点,有效地实现避障。移动机器人路径规划解决方案对室内移动机器人的导航和避障具有一定的借鉴意义。     

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。     

基于鱼群算法的智能机器人全覆盖路径规划

为保证机器人的行驶轨迹可以全方位地的覆盖地图的全部坐标点,并降低路径重复率,基于鱼群算法设计智能机器人全覆盖路径规划方法。建立智能机器人死区脱困模型,计算栅格地图模型中的目标活性值,获取整体栅格数量,描述地图中栅格状态,得到脱困时的行驶角度差。基于鱼群算法设计全路径覆盖判定方法,描述不同目标鱼个体之间的距离,在三重移动目标坐标系下,获取元素坐标向量,建立每个目标点的求解代价和,计算下一个目标点行驶的最小距离。设计机器人全覆盖路径规划算法,判断当前位置是否为死区,获取路径规划的全局最优解,实现智能机器人的全覆盖路径规划。利用Matlab仿真软件完成智能机器人全覆盖路径规划实验。结果表明,在简单环境下,该路径规划方法覆盖率为100%,重复率为5.23%,路径长度为15.36m；在复杂环境下,该路径规划方法的覆盖率为100%,重复率则为10.24%,路径长度为20.34m。由此证明,该方法具有较好地规划效果较好。     

基于模糊Elman网络算法的移动机器人路径规划分析

为了调正移动机器人避障线路,建立了基于模糊Elman网络算法的移动机器人路径规划模型,并应用进行Matlab仿真分析。利用现有障碍物的距离信息来实现机器人步长的实施可控制与调节,防止移动机器人在做出准确避障行为之后因为没有设定合适的步长而导致撞上障碍物,以0.5作为机器人的最初运动步长。仿真结果表明,采用模糊Elman网络可以获得比其它两种方法更优的路径规划效果,同时对障碍物进行高效避让,由此实现最优的路径规划。采用模糊Elman网络来构建得到的路径规划算法能够满足规划任务的要求,同时还能够根据机器人处于不同工作空间中的情况进行灵活调整。     

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.     

基于变步长蚁群算法的移动机器人路径规划

针对传统蚁群算法以及双层蚁群算法在路径规划中存在搜索效率低、收敛性较慢以及成本较高的问题,本文提出了变步长蚁群算法。该算法扩大蚁群可移动位置的集合,通过对跳点的选择以达到变步长策略,有效缩短移动机器人路径长度;初始化信息素采用不均匀分布,加强起点至终点直线所涉及到栅格的信息素浓度平行地向外衰减;改进启发式信息矩阵,调整移动机器人当前位置到终点位置的启发函数计算方法。试验结果表明:变步长蚁群算法在路径长度及收敛速度两方面均优于双层蚁群算法及传统蚁群算法,验证了变步长蚁群算法的有效性和优越性,是解决移动机器人路径规划问题的有效算法。     

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。     

Smooth coverage path planning and control of mobile robots based on high-resolution grid map representation

This paper presents a new approach to a time and energy efficient online complete coverage solution for a mobile robot. While most conventional approaches strive to reduce path overlaps, this work focuses on smoothing the coverage path to reduce accelerations and yet to increase the average velocity for faster coverage. The proposed algorithm adopts a high-resolution grid map representation to reduce directional constraints on path generation. Here, the free space is covered by three independent behaviors: spiral path tracking, wall following control, and virtual wall path tracking. Regarding the covered region as a virtual wall, all the three behaviors adopt a common strategy of following the (physical or virtual) wall or obstacle boundaries for close coverage. Wall following is executed by a sensor-based reactive path planning control process, whereas the spiral (filling) path and virtual wall path are first modeled by their relevant parametric curves and then tracked via dynamic feedback linearization. For complete coverage, these independent behaviors are linked through a new path linking strategy, called a coarse-to-fine constrained inverse distance transform (CFCIDT). CFCIDT reduces the computational cost compared to the conventional constrained inverse distance transform (CIDT), which applies a region growing starting from the current robot position to find the nearest unexplored cell as well as the shortest path to it while constraining the search space. As for experimental validation, performance of the proposed algorithm is compared to those of conventional coverage techniques to demonstrate its completeness of coverage, energy and time efficiency, and robustness to the environment shape or the initial robot pose.     

基于量子遗传算法的移动机器人的一种路径规划方法

以人工势场法和栅格法为基础,考虑到遗传算法的“收敛速度慢”和“早熟收敛”问题,提出了一种基于量子遗传算法的机器人路径规划方法。该方法采用栅格法进行路径规划,利用人工势场法控制移动机器人,利用量子遗传算法选择最优或次优个体,并且引入双适应度评价函数评价进化个体,为最优或次优个体进入下一代提供了保障。仿真实验表明,该方法的寻优能力及稳定性均优于遗传算法和量子遗传算法,且具有更好的收敛性以及更强的连续空间搜索能力,适于求解复杂优化问题。     

基于动态离散势场的迷宫机器人路径规划

针对未知环境下的机器人迷宫求解问题,提出一种动态离散势场路径规划算法。为提高路径优化性能,采用引入边界节点的栅格法建立模型,在各栅格的边界节点处定义障碍物状态和势场的数值大小,通过计算可连通相邻节点的累计代价值完成势场的构造。为提高寻优速度,随着环境信息的更新动态改变势场分布,沿势场下降最快方向获得实时重规划路径,引导机器人向目标运动,通过预规划路径的访问状态判断路径是否收敛,避免无用栅格的扩展。仿真实验结果表明,应用该算法可使机器人在复杂未知的迷宫环境中快速、高效地规划出一条折线少、转折角度小的优化路径。     

基于栅格地图的机器人覆盖路径规划研究*

研究了基于接触传感器的机器人覆盖问题,提出了基于栅格地图的内螺旋覆盖(ISC)算法.ISC算法通过边界探索获得环境边界地图之后,在线规划覆盖路径,用距离转变的搜索方法保证了完全覆盖,通过设置gate栅格降低了重复覆盖率.通过对三个房间组成的室内环境的覆盖仿真试验验证了该方法的可行性.