实现机器人动态路径规划的仿真系统

针对机器人动态路径规划问题,提出了在动态环境中移动机器人的一种路径规划方法,适用于环境中同时存在已知和未知,静止和运动障碍物的复杂情况。采用栅格法建立机器人空间模型,整个系统由全局路径规划和局部避碰规划两部分组成。在全局路径规划中,用快速搜索随机树算法规划出初步全局优化路径,局部避碰规划是在全局优化路径的同时,通过基于滚动窗口的环境探测和碰撞规则,对动态障碍物实施有效的局部避碰策略,从而使机器人安全顺利地到达目的地。仿真实验结果说明该方法具有可行性。     

基于蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法.采用了栅格法建立了机器人工作平面的坐标系,整个系统由全局路径规划和局部避碰规划两部分组成.在全局路径规划中,用改进蚁群算法规划出初步全局优化路径;局部避碰规划是在跟踪全局优化路径的过程中,通过基于滚动窗口的环境探测和碰撞预测,对动态障碍物实施有效的局部避碰策略,从而使机器人能够安全顺利的到达目标点.仿真实验的结果表明了所述方法能在较短时间内找到最佳路径并规避障碍.     

动态环境下机器人多目标路径规划蚂蚁算法

研究了一种新颖的动态复杂不确定环境下的机器人多目标路径规划蚂蚁算法。该方法首先根据蚂蚁觅食行为对多个目标点的组合进行优化,规划出一条最优的全局导航路径。在此基础上,机器人按照规划好的目标点访问顺序根据多蚂蚁协作局部路径算法完成局部路径的搜索。机器人每前进一步都实时地进行动态障碍物运动轨迹预测以及碰撞预测,并重新进行避碰局部路径规划。仿真结果表明,即使在障碍物非常复杂的地理环境,用该算法也能使机器人沿一条全局优化的路径安全避碰的遍历各个目标点,效果十分令人满意。     

基于遗传算法的移动机器人路径滚动规划

研究了一种全新的基于遗传算法的机器人路径滚动规划方法。该方法将目标点映射在机器人视野域内侧边界附近，规划出机器人局部最优路径，机器人根据此局部路径前进一步。机器人每前进一步就重复该过程，沿一条全局优化的路径安全地到达终点。仿真实验表明，即使在复杂的未知静态环境下，利用该算法也可以规划出一条全局优化路径，且能安全避碰。     

基于时间栅格法和免疫算法的机器人动态路径规划

提出了一种机器人动态路径规划方法。该方法首先采用时间栅格法采标识动态障碍物。建立机器人的环境信息，然后使用免疫算法实现在动态环境下机器人的全局和局部路径规划，达到避障和避碰的目的。文中定义了免疫算法的多因素适应度函数由碰撞系数、距离、转角和安全系数决定。实验表明所提方法可以提高路径规划的效率，满足机器人实时导航要求。     

复杂环境下的机器人路径规划蚂蚁算法

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的滚动规划蚂蚁算法.该方法将目标点映射到机器人视野域附近,再由两组蚂蚁采用最近邻居搜索策略相互协作完成机器人局部最优路径的搜索,机器人每前进一步,都由蚂蚁对局部路径重新搜索,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径到达终点.仿真实验结果表明,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一条优化路径,且能安全避碰,效果十分令人满意.     

全局未知环境下多机器人运动蚂蚁导航算法

研究了全局未知静态复杂环境下多机器人运动的导航问题,提出了一种新颖的蚂蚁导航算法.该方法将全局目标点映射到机器人视野域边界附近作为局部导航子目标,再由两组蚂蚁相互协作完成机器人视野域内局部最优路径的搜索,在此基础上进行与其他机器人的碰撞预测与避碰规划.机器人每前进一步都重复上述过程.因此,机器人前进路径不断地动态修改,从而在每条局部优化路径引导下,使机器人沿一条全局优化的路径到达目标点.仿真实验结果表明,即使在障碍物非常复杂的地理环境下,算法也能沿一条全局优化路径导航,且能安全避碰,效果十分令人满意.     

基于时间栅格法和免疫算法的机器人动态路径规

本文提出了一种机器人动态路径规划方法 ,该方法首先采用时间栅格法来标识动态障碍物 ,建立机器人的环境信息 ,然后使用免疫算法实现在动态环境下机器人的全局和局部路径规划 ,达到避障和避碰的目的。文中定义了免疫算法的多因素适应度函数由碰撞系数、距离、转角和安全系数决定。实验表明所提方法可以提出的高路径规划的效率 ,满足机器人实时导航要求。     

移动机器人路径规划方法研究

针对室内动态非结构化环境下的移动机器人路径规划问题,提出了一种能够将全局路径规划方法和局部路径规划方法相结合、将基于反应的行为规划和基于慎思的行为规划相结合的路径规划方法．全局路径规划器采用A*算法生成到达目标点的子目标节点序列;局部路径规划器采用改进的人工势场方法对子目标节点序列中相邻两节点进行路径平滑和优化处理．在考虑了移动机器人运动学约束的前提下,该方法不但能够充分利用已知环境信息生成全局最优路径,而且还能及时处理所遇到的随机障碍信息．仿真研究与在室内复杂环境下的实际运行结果验证了该方法的有效性．     

动态复杂环境下的机器人路径规划蚂蚁预测算法

研究了一种新颖的动态复杂不确定环境下的机器人路径规划方法和动态避障码蚁预测算法.该方法模拟蚂蚁的觅食行为,由多组蚂蚁采用最近邻居搜索策略和趋近导向函数相互协作完成全局最优路径的搜索.在此基础上用虚拟蚂蚁完成与动态障碍物碰撞的预测,并用蚁群算法进行避障局部规划.理论和仿真实验结果均表明,即使在障碍物非常复杂的地理环境,用文中算法也能迅速规划出优化路径,且能安全避碰.     

融合改进A*算法和Morphin算法的移动机器人动态路径规划

在动态未知环境下对机器人进行路径规划,传统A*算法可能出现碰撞或者路径规划失败问题。为了满足移动机器人全局路径规划最优和实时避障的需求,提出一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法。首先通过改进A*算法减少路径规划过程中关键节点的选取,在规划出一条全局较优路径的同时对路径平滑处理。然后基于移动机器人传感器采集的局部信息,利用Morphin搜索树算法对全局路径进行动态的局部规划,确保更好的全局路径的基础上,实时避开障碍物行驶到目标点。MATLAB仿真实验结果表明,提出的动态路径规划方法在时间和路径上得到提升,在优化全局路径规划的基础上修正局部路径,实现动态避障提高机器人达到目标点的效率。     

融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

动态环境下多重A*算法的机器人路径规划方法

传统的A*算法仅适用于全局的静态环境,在求解路径规划问题时存在搜索效率低,路径不平滑等不足。针对这些问题,进行了以下改进：优化全局路径节点,引入删除冗余点准则与新增节点准则,使得全局路径更加平滑,更符合机器人运动学规律;结合滚动窗口法的思想,在每个滚动窗口内进行局部路径规划,首先根据前一步的节点信息确定局部子目标区域,然后在局部子目标区域内引入避障控制策略进行实时避障。最后通过Matlab软件建立多种栅格地图仿真,从路径轨迹的平滑度、搜索效率与局部规划能力方面将改进后的算法与原算法进行对比,并在动态环境下进行仿真分析,仿真结果表明改进后算法拥有良好局部规划能力,且路径轨迹更加平滑,在复杂环境下搜索效率更高。     

基于遗传算法和B 样条曲线的平滑避障路径规划

传统的避障路径规划中常常存在不连续点,提出一种新的平滑避障路径规划的方法—遗传算法和B样条曲线法。首先,先通过碰撞侦测,能够侦测出前进路径中的障碍物,然后通过遗传算法再结合B样条曲线规划出平滑的避障路径。该算法可以避免运动过程因打滑而造成与目标位置的误差,解决机器人在静态环境中全局、局部路径规划和规划路径中存在不连续点的问题。仿真和实验结果证明了算法的有效性。     

基于BIM的建筑机器人自主路径规划及避障研究

针对建筑机器人进入施工位置全局路径规划最优且可实时避障的要求,提出了一种新型的导航地图建立方法,通过建筑物BIM（Building Information Modeling）模型建立导航地图,通过优化A*算法搜索点选取策略,以及删除了路径上的冗余转折点,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性。结合动态窗口算法进行局部路径规划,在全局路径关键点之间使用动态窗口法,且加入了新的刹车判定条件,使得机器人的运动连续化。实验结果表明改进后的A*算法运行时间相较于原始算法减少50%以上,每去除一个冗余转折点路径长度减少0.4?m,路径与障碍物之间的距离比原始算法增加了2倍,结合了动态窗口法之后能够较好地避开障碍且输出的控制参数连续化。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

一种蚂蚁遗传融合的机器人路径规划新算法

针对栅格法建模的不足,本文研究一种全新的蚂蚁算法与遗传算法融合的机器人路径规划算法.该方法首先用栅格法建立机器人运动空间模型,在此基础上利用蚂蚁算法进行全局搜索得到全局导航路径,然后用遗传算法局部调节全局导航路径上的路径点,得到更优路径.计算机仿真实验表明,即使在复杂的环境下,利用本算法也可以规划出一条全局优化路径,且能安全避障.     

凸优化与A*算法结合的路径避障算法

为提高足式移动机器人的避障能力和路径规划效率,提出一种凸优化与A*算法结合的路径避障算法.首先,基于半定规划的迭代区域膨胀方法IRI-SDP(iterative regional inflation by semi-definite programming),通过交替使用两种凸优化算法快速计算出地面环境中无障碍凸多边形及其最大面积内切椭圆,用于移动机器人的局部避障和任务动作规划;然后,结合经典的A*算法,建立机器人局部和世界坐标系、机器人质心轨迹转换模型、碰撞模型和启发式代价函数,在全局环境中寻找最优成本最小的路径;最后,通过仿真实验验证该算法的有效性.