融合多目标与速度控制的AGV全局路径规划

为提升AGV工作效率并改善其躲避障碍物的执行能力,提出在静态与动态环境下的全局路径规划方法——多目标与速度控制法.在静态环境下,以路径最短与平滑度最大建立路径规划的多目标数学模型,采用所提出的改进算法求解并筛选,得到AGV的行驶路径;在动态环境中,根据障碍物的运动情况,提出感应转向算法,使AGV合理躲避障碍物.结合两种环境下的转向特点,设定AGV速度控制规则,应用于静态与动态环境下的转向过程,确保AGV能够行驶得更加平稳与快速.仿真实验表明,所提出方法能够确保AGV在两种环境下自由躲避和灵活转向,提升行驶速度,提高工作效率;与常规算法对比,改进算法的求解效果在时间和精度上都显著提高.     

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。     

能力风暴机器人的全局路径规划

基于Messy遗传算法(Messy GA),设计了移动机器人的通用路径规划算法,其中的优化目标包括最短路径、一定的平滑度和最优安全距离.在算法中加入了优化算子及交叉率和变异率的自适应调整,加快了收敛速度.仿真结果验证了所提方法的有效性.根据能力风暴机器人(AS-R)的实际运行要求,修改算法以扩大路径与障碍物之间的间隔度,并提出采用平滑的方法来优化路径.以AS-R为平台进行了轨迹跟踪实验.实验结果表明算法在随机摆放障碍物和实验室环境下可以实现路径规划,并能够最终实现AS-R机器人的全局路径规划.     

A*算法在AGV路径规划上的改进与验证

针对单AGV路径规划时,A^*算法的启发函数采用曼哈顿距离时遇到障碍物会出现局部绕行这一问题,将带有障碍物的栅格地图作为环境模型,研究出两种改进A^*算法的路径规划方法。第一种方法是在遇到障碍物时将启发函数中曼哈顿距离换成欧氏距离,利用欧氏距离规划路径代价最小的特性避免绕行;第二种方法通过比较AGV遇到障碍物的位置与障碍物左右两端距离大小,通过规定行驶方向避免绕行。仿真结果表明,两种方法均可以在单AGV遇到障碍物时避免绕行,有效地减少了行驶时间,也使得路径更加平滑,提高了AGV的运行效率。     

一种基于改进Theta *的机器人路径规划算法

对Theta *算法进行改进,并用于解决机器人路径规划问题.首先,将障碍物对机器人产生的斥力作为一种惩罚函数加入到启发函数中,并合理地选择惩罚函数权重以确定启发函数.在此基础上,改进A *算法的变种——Theta *算法,提出对路径进行平滑处理的PS_Theta *算法.最后在二维仿真环境中进行验证及数据统计,并推广至三维复杂环境中,实验结果证明了算法的合理性与有效性     

基于遗传算法的机械臂实时避障路径规划研究

针对模块化机械臂在运行时可能与工作空间中的障碍物发生碰撞的问题, 提出一种基于遗传算法的避障路径规划算法。首先采用D-H(Denavit-Hartenberg)表示法对机械臂进行建模, 并进行运动学和动力学分析, 建立机械臂运动学和动力学方程。在此基础上, 利用遗传算法分别在单/多个障碍物工作环境中, 以运动的时间、移动的空间距离和轨迹长度作为优化指标, 实现机械臂避障路径规划的优化。通过仿真验证了基于遗传算法的机械臂避障路径规划算法的有效性与可行性, 该算法提高了运行中的机械臂有效避开工作空间中障碍物的效率。     

融合改进A*与DWA算法的移动机器人路径规划

针对移动机器人在复杂环境下实现全局路径最优、未知环境下动态实时避障这一路径规划需求,对传统A*（A-star）算法进行改进,并融合动态窗口法（DWA）实现动态实时避障。首先分析栅格环境下的障碍物占比,将障碍物占比引入传统A*算法,优化启发函数h(n),从而改进评价函数f(n),提高其在不同环境下的搜索效率;其次针对复杂栅格环境下传统A*算法优化后的轨迹与障碍物顶点相交问题,优化子节点选择方式,同时删除路径中的冗余节点,提高路径的平滑度;最后融合动态窗口法,实现复杂环境下移动机器人的动态实时避障。通过MATLAB下的对比仿真实验表明,改进算法在轨迹长度、轨迹平滑度以及历经时间上得到优化,满足全局最优且能实现动态实时避障,具有更优秀的路径规划效果。     

遗传算法在移动机器人路径规划中的应用

移动机器人的路径规划是机器人研究的重要领域。文中旨在研究遗传算法对于机器人路径规划问题的适用性。对于路径规划的目标,提出了基于路径长度、路径平滑度和路径安全度等因素综合衡量的方法,并在传统的遗传算法的交叉、变异操作的基础上,针对路径规划问题的特点,增加了捷径寻找、障碍避让、平滑优化等方法。实验表明,此算法在存在形状复杂的障碍物的静态环境中表现良好,其效率与准确性皆满足机器人路径规划的要求。     

改进Q-Learning的路径规划算法研究

针对Q-Learning算法学习效率低、收敛速度慢且在动态障碍物的环境下路径规划效果不佳的问题,本文提出一种改进Q-Learning的移动机器人路径规划算法.针对该问题,算法根据概率的突变性引入探索因子来平衡探索和利用以加快学习效率;通过在更新函数中设计深度学习因子以保证算法探索概率;融合遗传算法,避免陷入局部路径最优同时按阶段探索最优迭代步长次数,以减少动态地图探索重复率;最后提取输出的最优路径关键节点采用贝塞尔曲线进行平滑处理,进一步保证路径平滑度和可行性.实验通过栅格法构建地图,对比实验结果表明,改进后的算法效率相较于传统算法在迭代次数和路径上均有较大优化,且能够较好的实现动态地图下的路径规划,进一步验证所提方法的有效性和实用性.     

基于改进粒子群优化算法的路径规划

针对二维静态环境下移动机器人路径规划问题,该文提出一种改进的粒子群算法求解最优路径。首先,由于传统的粒子群算法初始化粒子时并未考虑到粒子初始位置是否占障碍物空间,没有对占障碍物空间的粒子进行处理,导致粒子初始有效性低下,全局寻优不准确和全局寻优时间长。然后,为解决此问题,在初始化时采用一种修正粒子算法,解决初始时粒子有效性低下的问题。比较传统粒子群算法和该文算法的仿真结果。仿真结果表明,采用这种方法极大限度地增大了初始粒子的有效性,使算法迭代时可以更加快速准确地得到全局最优路径,所提方法有效可行。     

基于时间窗的改进两阶段AGV路径规划研究

针对自动导引车(AGV)在仓储物流搬运系统中的路径冲突问题,提出了一种基于时间窗的改进两阶段动态路径规划方法.对原有两阶段路径规划方法进行改进,在离线情况下,将时间窗原理和Di-jkstra算法相结合,顺序规划出各个AGV的路径,采用改变AGV优先级的方法在线进行路径动态规划.通过仿真实验证明了改进后算法可以减少冲突的概率,有效地避免了AGV之间的碰撞,不仅具有很好的鲁棒性和柔性,而且可以提高系统效率.     

基于视觉引导多AGV系统的改进A*路径规划算法

研究基于视觉引导自动引导车(AGV)的改进A*路径规划算法.首先,设计一种包含导航、定位和任务信息的图形编码标志方法,AGV通过识别位于车身前方网格型路径中有序排布的编码标志进行快速定位和下一位置预判,为多AGV规划奠定基础;其次,根据网格型路径构成的动态随机网络,提出一种改进A*算法,将AGV在运动时产生的动态时间耗费作为参考指标,以实现多AGV在路径网络中的路径规划和冲突避让策略,提高固定路网资源的利用效率;最后,对多AGV在网格型路径中协同工作的场景进行仿真,实验结果表明,所提出的改进算法可以有效应用于多AGV系统,并且提升整体系统的工作效率.     

基于时间窗的AGV动态避碰路径规划方法

为了解决多AGV在动态不稳环境下的无碰撞路径规划和系统效率提升的问题,提出了基于时间窗的AGV无碰撞路径规划方法。首先建立了多AGV的避碰模型,并结合时间窗模型,将多AGV的无碰撞路径规划分为预先规划和实时规划两阶段,预先规划阶段进行多AGV无冲突时间窗的计算和最大化系统中AGV的流通量,实时规划阶段通过改变AGV在避碰模型上的占用优先级和局部重规划的方法进行动态避碰。最后以某智能仓储为应用案例进行仿真实验,证明了该算法能有效避免多AGV的碰撞,提高AGV的流通量,同时在动态环境下具有较好的鲁棒性和柔性。     

结合负载均衡与A*算法的多AGV路径规划

针对目前大规模应用场景下多AGV运行路网的局部拥塞防止和负载均衡问题,提出了使用负载均衡改进的A*算法进行路径规划的方法。在计算AGV运行代价时,摒弃了传统A*算法只考虑单一运行路程的评价函数,引入了运行路程结合区域负载作为新评价函数的方式。在几乎不增大运行路程的前提下,实现了AGV运行路网的区域负载均衡。采用了单向多入多出以及双向多入多出路网模型进行仿真验证,改变路网规模以及负载系数进行多次仿真实验,结果表明改进算法可以有效地均衡路网负载,极大提高了AGV系统整体运行效率。     

高密集度AGV快递包裹分拣系统的路径规划

基于自动引导小车（AGV）的快递包裹自动分拣系统是智能物流的研究热点,路径规划是其关键问题之一.在快递包裹分拣系统中,AGV具有高密集性和车辆数量较大的特点,这种情况极易造成AGV拥堵,使得整个系统的性能降低.针对此问题本文提出可避免拥挤的CAA^*（Congestion-avoidable A^*）算法,该算法以A^*算法为基础,引入动态属性节点,建立动态环境模型,对各个节点可能发生的拥挤情况进行预测,判断是否存在潜在的拥挤节点,在路径规划过程中绕过潜在的拥堵节点,避免发生拥堵现象.实验结果表明,本文所提的CAA^*路径规划方法在具有高密集度和较大规模的AGV场景中,能有效避免拥堵,从而提高场地AGV的密集度和系统的分拣效率.对实际应用场地的仿真表明,本文的算法比传统的A^*算法AGV密集度提高了28.57%,系统分拣效率提高了24.29%.     

基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

混合智能算法在AGV全局路径规划中的应用研究

首先采用网络拓扑图法对AGV工作空间建模,将AGV路径规划问题即可转化为求解网络拓扑图的最短路径问题.然后用Floyd-Warshall算法求拓扑图的可行路径点;再用改进的自适应遗传算法来调整各个可行路径点,得到最优或近似最优的路径.MATLAB仿真结果表明本算法行之有效,可以较为准确地搜索到AGV的全局最优路径.     

基于改进模拟退火算法的搬运机器人路径规划

针对传统搬运机器人路径规划方法易陷入局部最优解,以及缺乏对环境普遍适应性的问题。应用栅格法创建搬运机器人工作环境模型,以一种建立搜索禁忌表的改进贪心算法为基础,通过加入遗传算法中“优胜劣汰”的思想,重新定义了模拟退火系数和栅格系数,提出了一种可以解决贪心算法局部收敛问题的改进模拟退火算法。最后通过仿真和具体实物实验,验证了该算法具有的可行性以及对于不同环境的适应性,能够有效地提高搬运机器人路径规划的质量。