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。     

基于改进粒子群算法的三维路径规划研究

针对基本粒子群算法(PSO)收敛速度快、易早熟，容易陷入局部误区的问题，提出了粒子群-人工蜂群混合算法(PSO-ABC)，并将提出的算法应用于无人机三维环境下的路径规划。该算法在改进粒子群算法的基础上，融合了人工蜂群算法来对无人机三维路径进行全局规划。首先引入非线型惯性权重和收缩因子，改进粒子的速度公式，然后利用人工蜂群算法的搜索算子对最优解再一次寻优，解决了粒子群算法因局部搜索能力较差陷入局部误区的问题。本文在三维环境下设置了两组实验，对比粒子群-人工蜂群混合算法与粒子群算法、人工蜂群算法的路径寻优性能。实验结果显示，本文提出的算法路径寻优能力有所提高，相比于粒子群算法，提高了6.1%，相比于人工蜂群算法提高了6.9%。     

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。     

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。     

基于改进离散烟花算法的变电站巡检机器人路径规划研究

变电站巡检机器人的路径规划旨在为机器人在障碍物空间中搜索全局最优路径.全局路径规划研究主要包括环境建模和路径搜索两个子问题.首先在全面分析变电站环境后创建了半拓扑的地图环境模型,然后测试了相关算法的离散优化性能,最后得到了变电站路径规划的仿真测试结果.测试结果证明了基于改进离散烟花算法的路径规划方法的有效性。     

基于改进离散烟花算法的变电站巡检机器人路径规划研究

变电站巡检机器人的路径规划旨在为机器人在障碍物空间中搜索全局最优路径。全局路径规划研究主要包括环境建模和路径搜索两个子问题。首先在全面分析变电站环境后创建了半拓扑的地图环境模型,然后测试了相关算法的离散优化性能,最后得到了变电站路径规划的仿真测试结果。测试结果证明了基于改进离散烟花算法的路径规划方法的有效性。     

对特高压变电站巡检机器人路径规划改进蚁群算法的研究

针对当前变电站巡检机器人路径规划算法存在的规划和适应性较弱等问题,在特高压变电站巡检机器人系统结构的基础上,提出了一种结合蚁群优化算法和人工势场算法的特高压变电站路径规划方法。将蚁群算法的传统单向搜索改进为双向搜索,在启发因子中加入人工势场力的合成方向,并对转移概率进行改进。通过栅格法构建特高压变电站仿真环境,进一步验证了所提规划方法的优越性。仿真结果表明,改进算法具有显著改善迭代次数和最小路径的效果,20×20栅格环境迭代15次收敛到长度26的最优路径,30×30栅格环境迭代70次收敛到长度43的最优路径。     

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。     

机器人吸尘器环境建模与路径规划研究综述

介绍了人工智能在机器人吸尘器的环境建模和路径规划的主要方法.详细解析每种算法的特点.并结合实例,根据吸尘器用传感器不确定性的特点,提出了基于信息理论的路径规划方法,给出了研究结果.旨在帮助自主吸尘器研究人员学习环境建模和路径规划的主要算法.     

蚁群算法在机器人路径规划中的应用研究

蚁群优化算法是解决机器人路径规划问题的有效方式。首先建立机器人路径规划的环境模型,选择栅格法对环境信息进行提取、处理和描述,最终实现问题空间的划分。之后讲述了蚁群算法的仿生行为,分析了蚁群算法的基本原理及其数学模型,最后利用蚁群算法来搜索模拟环境下的最优路径。     

动态环境下基于改进蚁群算法的路径规划研究

近年来,路径规划作为移动机器人技术研究中的一个重要领域而备受关注。针对传统蚁群算法在搜索过程中存在容易陷入局部最优并且收敛速度慢的缺陷,借鉴狼群分配原则改进信息素的更新方式,加快了算法的收敛速度。随后,针对传统蚁群算法对动态路径适应性低的问题,基于预测控制理论,在路径规划过程中加入滚动窗口,能使移动机器人更好地避开环境中的动态障碍物。仿真结果表明,改进后的算法更加适合移动机器人实际所处环境的路径规划。     

基于改进JPS的移动机器人路径规划算法

在移动机器人的路径规划技术中，跳点搜索算法（JPS）因具备简单、快速、易实现的特性而被广泛使用。然而，传统的JPS算法由于启发式函数搜寻效率低导致其搜索的节点数量冗余，而且难以有效兼顾规划路径的安全性。针对该问题，本文提出了一种改进的JPS算法。该方法设计了一种由对角线距离和方向信息结合的启发式函数用于提高寻路效率，并且进一步对规划路径进行平滑处理以有效兼顾规划路径的安全可靠性。移动机器人在复杂障碍物环境下的路径规划仿真实验表明，相较于JPS算法，本文改进后的JPS算法平均规划时间减少了13.4%，平均路径长度减少了3.1%，平均危险点数量降低了83.3%。     

动态不确定环境下一种移动机器人路径规划方法

提出了一种在动态不确定环境下基于信度分配Sarsa强化学习算法的移动机器人路径规划方法。通过引入信度分配函数有效分配强化信号,来修正动作选择策略,提高了学习效率和速度,能够很好地解决动态不确定环境下特别是存在随机运动障碍物的环境下移动机器人路径规划问题。仿真实验说明该方法的有效性和可行性。     

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。     

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.     

改进型A*算法的可重构机器人路径规划研究

路径规划是保证可重构机器人快速完成任务的关键技术之一。为提高可重构机器人的行驶效率，缩短行驶路径，首先，提出一种基于Bresenham直线算法思想的改进型A*路径规划算法，实现可重构机器人路径点数消减、拐点消除，提高路径平滑度。在此基础上，考虑可重构机器人本身体积以及机器人可重构的特性，建立可重构机器人构型库，讨论了可重构机器人体积与周围障碍物的关系，减少机器人行走过程中与障碍物的碰撞几率。利用MATLAB仿真平台对改进型A*路径规划算法进行仿真实验，验证了算法的有效性，可应用于复杂环境的机器人路径规划；分析了机器人重构后路径规划问题，利用可重构特性可缩短机器人运行路程，体现了可重构机器人的优越性。     

基于强化学习算法的井下移动机器人路径规划

移动机器人路径规划一直是机器人研究领域中的难点问题,本文针对煤矿井下环境的不确定性,采用强化学习算法中的Q-learning算法实现井下移动机器人的局部路径规划,并对Q函数中的即时回报进行加权修正,使算法更有效地利用环境特征信息,提高了避障能力.仿真实验说明该方法的有效性和可行性.     

融合行人运动信息的室内移动机器人动态避障方法

为了提高移动机器人在室内人机共融环境下的运动安全和交互性,提出了一种融合行人运动信息的室内移动机器人动 态避障方法,同时考虑任务约束和社会规则。 首先,利用 YOLO v3 算法和 Deep Sort 算法分别对室内环境中的行人进行实时检 测与目标跟踪,计算行人在过去时刻的历史轨迹。 然后,利用 Social-GAN 算法构建行人交互模型,实现轨迹预测。 在此基础上, 将行人的运动状态融合进机器人避障算法之中,根据社会规则设计评价函数,对机器人采样速度样本进行评估,使移动机器人 能够以安全和舒适的方式绕过行人,确保室内人机共融环境下移动机器人的社会接受性。 通过实验对比分析,与传统 DWA 方 法相比,本文方法不仅可以提高机器人导航避障效率,在相同室内场景下导航避障时间由 23. 56 s 提高到 19. 38 s,而且可以有 效降低与行人发生碰撞的风险,保证机器人导航的安全和社交性。