基于栅格模型机器人路径规划的量子蚁群算法

针对复杂环境中移动机器人路径规划问题,提出了一种基于量子-蚁群算法(QACA)融合的路径规划算法。该算法的核心是在蚁群系统(ACS)中引入量子算法中的量子态矢量和量子旋转门来分别表示和更新信息素,增加位置的多样性,加快算法的收敛速度。通过仿真实验表明,该算法可增加算法的随机性,较传统的蚁群算法具有更好的种群多样性,更快的收敛速度和全局寻优能力,即使在障碍物较复杂的环境下,也能迅速规划出一条最优路径。     

基于动态障碍物的机器人避障路径规划方法

针对传统机器人路径规划只适用于障碍位置固定的环境中,无法避开动态障碍物的问题,提出一种融合动态障碍物信息的机器人避障路径规划方法.对传统动态窗口法(Dynamic Window Approach,DWA)进行改进,融合动态障碍物信息与机器人运动学分析,来解决机器人在动态环境下的避障问题,并与改进的A*算法融合,来保障机器人路径规划的全局最优性.实验结果证明,所提出的方法在动态环境下适应度高、安全性强,具有一定的应用价值.     

基于双层蚁群算法和动态环境的机器人路径规划方法

针对动态环境未知时变的特点,提出一种机器人路径规划新方法.在该方法中,首先对栅格法建立的环境模型进行凸化处理,以避免机器人沿规划路径移动时陷入U型陷阱,从而加快路径规划的速度;其次,提出双层蚁群算法（DACO）,在每次迭代中先用外层蚁群算法寻找一条路径,然后以该路径为基础构造一个小环境,接着在该环境下用内层蚁群算法重新寻优,若寻得的路径质量更高,则更新路径并执行本文给出的一种新型信息素二次更新策略;最后,针对环境中不同动态障碍物的体积和速度,提出三种避障策略.动态环境下,机器人先由DACO算法规划一条静态环境下从起点到终点的全局最优路径,然后从当前起点开始,通过自带传感器获取动态环境信息,并根据需要执行等待、正碰或追尾避障策略,到达新的起点.仿真实验表明,该方法可以在动态环境下实时地为移动机器人规划出一条安全且最短的路径,是求解移动机器人路径规划问题的一种切实有效的方法.     

基于机器学习的电力巡检机器人避障路径规划

目前研究的电力巡检机器人避障路径规划方法存在避障能力较差、巡检效果不佳的问题,因此提出基于机器学习的电力巡检机器人避障路径的规划方法.利用运动关系以及机器人运动势场定理完成电力巡检机器人路线三维模型的建立,确定机器人在获取行动任务时路线的方向,通过模糊支持向量算法对初始化的行走路径进行避障路径规划,使巡检机器人具有智能...     

避障机器人路径规划算法的研究

结合移动机器人的实际应用场景,针对常规算法规划出的路径存在折点多、转弯角度过大、与障碍物距离较小、搜索的路径较长等问题,对在栅格地图下混合全局路径规划与局部路径规划算法进行了研究,采用人工势场算法与蚁群算法混合,为移动机器人规划出全局最优路径,同时实时躲避局部障碍物。经过仿真测试,移动机器人可以根据全局路径规划的路径得到最优的整体路径,通过局部路径规划算法避开局部区域的障碍物,使移动机器人能够从起点平稳无碰撞地行驶至目标点。     

基于改进遗传算法的移动机器人路径规划研究

文中针对栅格环境下移动机器人的路径规划问题,提出了一种改进的遗传算法,其主要研究工作和创意点如下:1)使用栅格方法创建实验模拟模型;2)鉴于遗传算法在生成初始种群时的盲目性,对初始化种群算法作出相应改进,从而保障路径的无障碍性;3)改良交叉、变异算子,提高种群多样性。仿真实验结果表明,改进的遗传算法比文献[1]和文献[2]中的算法具有更好的优化效果。     

基于室内环境智能机器人路径规划算法的研究

随着无线传感器及家庭服务机器人的出现,现有的路径规划算法中大多不能满足实时性要求。文章提出一种针对室内环境的路径规划算法。该算法中通过采用栅格模型建立地图,设定新的启发函数,仿真结果表明该算法简单实用、且计算速度快,且在已知家庭地图的情况下该算法搜索时间有明显的优势,同时该算法能适用多障碍物的室内环境。     

双向ACO算法应用于静态机器人全局路径规划研究

提出双向蚁群算法并应用于静态环境下的机器人全局路径规划问题.对栅格法环境建模进行改进,将传统的栅格法改进为膨胀栅格法;使用双向蚁群算法在出发点和目标点设置带有不同标记的两族蚂蚁相向爬行完成搜索,启发信息主要通过目标点、出发点和蚂蚁的当前位置二维坐标值计算得出;信息素存储采用方向信息素矩阵.仿真实验证明:即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径.     

基于视野域的快速动态路径规划

针对目前蚁群算法在路径规划策略中存在的易陷入凹陷、迭代时间长、转角多、避碰时等待时间长等缺点,提出了一种基于视野域的动态快速路径规划的蚁群算法。首先,采用栅格填充法对建立的栅格图中复杂形状障碍物存在的过多凹陷进行填充;其次,采用改进的负反馈的蚁群算法来减少蚁群在无法找到有效终点方向的后续搜索;再次,模拟给蚂蚁加上视觉以便在特定区域搜索而减少过多的转折点,从而更快速地找出最优路径。同时,在行走过程中若存在障碍物动态变化,则结合动态窗口算法重新规划局部的最优路径。实验表明采用该规划算法可使路径长度减少11%,转角和行走时间减少45.4%和32.3%。所以该智能算法能够为机器在动态环境的自主规划与导航中提供一种可行的解决方法。     

基于改进遗传算法的机器人路径规划

本文在应用遗传算法进行机器人路径规划时,针对遗传算法的"早熟收敛"和"收敛速度慢"两大难题,结合具体的应用背景,在各种改进遗传操作的基础上,把遗传算法和简单图搜索方法相结合,减少了搜索的盲目性,使得优秀个体能较快地产生,算法在很少的进化代数中就可以求出问题最优解.算法的分析和测试表明,本文算法的改进是有效的.     

机器人局部路径规划算法的研究与实现

通过采用扫描测距法解决了智能机器人系统的局部路径规划能力问题。给出了代价函数，并对函数中的各项加权系数进行了实验分析，具有一定的科学理论基础和重要的实用价值。     

基于规划路径约束的机器人定位方法

路径规划是为机器人生成可行驶路径以实现循迹的过程。因此,机器人的位置应该位于或靠近规划的行驶路径。从而,路径规划可为机器人定位产生重要的约束。该文提出一种规划路径约束的位置概率图 (PI-LPM)模型,该模型通过概率来表征机器人在整个地图范围内所处的位置的可能性。其中,模型中概率密度函数是通过核密度估计 (KDE)方法从表征规划路径的所有数据点生成。在所提出的PI-LPM模型基础上,提出一种规划路径约束的机器人定位新算法 (RL-PPC)来提高机器人定位精度。在该方法中,应用粒子滤波算法来融合所提出的PI-LPM模型和已有的传感器定位方法。融合过程中,从PI-LPM模型中计算得到的概率是分配粒子权重的一个重要因素。实验中分别利用仿真数据和真实数据对所提出的模型与算法进行验证。实验结果表明,所提RL-PPC算法可有效融合PI-LPM模型与主流的定位系统(如GPS和LiDAR定位系统),并显著提高机器人定位的整体性能。     

基于模糊算法的移动机器人路径规划

为了解决移动机器人最优路径规划问题,提出一种基于模糊算法的移动机器人路径规划策略.利用超声波传感器对环境进行探测,得到关于障碍物和目标的信息.运用模糊推理将障碍位置信息与目标位置信息模糊化,建立模糊规则并解模糊最终使机器人可以很好的避障,从而实现了移动机器人的路径规划.仿真实验结果表明了模糊算法优于势场法和A*算法,具...     

基于全区域覆盖的清洁机器人路径规划

以清洁机器人的规划为研究对象,通过对清洁机器人的运动过程进行建模分析,提出了现行采用的路径记忆的规划方案和基于动态地图建立的路径规划方案,通过多方案的实验与研究,尽可能实现让清洁机器人的运行轨迹布满整片区域,同时能够避开障碍,减少运动轨迹的重复率,从而实现较为高效简洁的路径规划。     

基于信任度的网格安全访问模型的研究

网格安全问题一直是网格研究的核心问题和难点。文中尝试以信任度评判机制来衡量网格系统中的访问可信度，基于建立的信任度模型，将信任度动态评判方法引入到网格安全访问模型中，并论证了在网格系统安全中引入信任度评估机制的可行性和合理性。     

基于二维云模型的网格服务可靠性评价

网格是一个集成的计算和资源环境，具有动态性、异构性、可扩展性和自治性等特点。OGSA是一种新的网格体系架构，是以服务为中心的，提出了“网格服务”的概念。网格服务因网格的特点也具有动态性和不确定性，但是用户在网格进行其业务时，付出了金钱和时间，希望能获得可靠的网格服务。因此，对网格服务进行可靠性评价是关键。提出采用云模型的方法，从多个分指标来综合评价网格服务，这样就可以保证用户可以获得满足其需要的网格服务。     

一个基于网格资源超市的计算网格资源管理模型

在现有的基于经济模型的网格资源管理方法中,用户共享资源访问一般经由网格用户代理实现,而资源提供者将资源交给网格资源代理处理,网格用户代理通过网格资源经纪访问网格资源代理,获取共享资源信息并使用共享资源。这类方法制约了用户直接选择使用共享资源,也限制了用户共享资源的范围、延长了作业运行周期。文章给出的基于网格资源超市的计算网格资源管理模型、共享资源访问流程及网格资源管理分配策略,较好地解决了这几个问题。     

基于移动机器人拖车系统的最优路径规划设计

针对移动型机器人拖车系统进行了关于其路径规划问题的讨论。由于该拖车所搭载的感应设备可以实现探测“有兴趣的点”——即地下金属物,因此需要设计出一条最短路径来实现最优化。本文将该课题类比为“旅行商”问题,提出了遗传算法使其可以很好地解决该问题,并且均适用于在高密度分布以及少量点分布这两种情形。