基于双重A~*算法的移动机器人动态环境路径规划

为了能让移动机器人在动态环境中安全无碰撞并且全局最优和局部最优兼并,减少路径规划时间,提出了一种基于双重A*算法的移动机器人路径规划方法。该方法采用A*算法分别进行全局路径规划和局部路径规划。首先在移动机器人运动前采用A*算法进行全局最优路径规划;当机器人运动过程中遇到障碍物时,再一次采用A*算法进行局部路径规划。所提出方法通过仿真结果验正有效可行,该方法不仅能让机器人在动态环境中安全无碰撞运动,而且能减少路径规划时间。     

基于ROS与融合算法的AGV路径规划研究北大核心

针对传统A^(*)算法在AGV路径规划中存在搜索范围大、转折多、实时性差等缺点,以A^(*)算法为基础,通过建立栅格地图,改进启发函数,去除多余节点和提高避障安全性。针对AGV在复杂环境下的动态路径规划问题,将改进A^(*)算法与动态窗口算法进行融合,规划出一条具有实时性的最优路径。通过仿真实验,验证了改进算法的有效性与可行性,实现了路径优化。通过机器人操作系统进行实验,结果表明AGV运行时的路径规划合理,满足实际应用需求。     

基于改进D?Lite遗传算法路径规划研究

针对遗传算法在移动机器人路径规划中易产生早熟现象和收敛速度慢的问题,提出了改进的D~* Lite遗传算法。该算法将D~* Lite算法和遗传算法相结合,通过引入碰撞系数和可视检测技术以提高路径安全性,寻找最短路径。在遗传算法设计中加入动态调整交叉与变异概率,以解决算法在路径规划中因陷入局部最优值而不能到达目标点的问题。最后,通过实验仿真可知:与蚁群算法和免疫遗传算法相比,改进的D~* Lite遗传算法执行效率高,可以快速规划出全局最优路径。     

基于优化A*和DWA算法的移动机器人避障路径规划

针对移动机器人在路径规划过程中路径曲率不连续，避障能力差等问题，提出了一种将改进A*和动态窗口法（DWA）相结合的路径规划方法。首先，在传统的A*算法基础上，将传统的8个搜索方向改为5个，提高搜索效率；其次，将Floyd算法思想引入A*算法中，设计了一种新的启发式搜索函数，实现了无斜穿障碍物顶点，增加了路径的平滑度；最后，融合改进算法以及动态窗口法，构造了新的评价函数，在保证规划路径全局最优性的基础上达到避障效果。仿真结果表明：该研究对于移动机器人自主导航的应用具有一定的参考价值。     

基于路网的车辆路径规划融合算法究

针对室外区域非结构化道路环境，为了同时解决全局路径规划问题和局部路径规划问题，提出一种基于Floyd算法、A*算法和人工势场法的路径规划融合算法。采用A*算法规划可行路径，基于Floyd全局最优距离和权重数据递归求出最优路径；改进人工势场法，设计分段力场结合自适应角度函数，规划避障路径；基于三次多项式曲线拟合得到满足动力学约束的行车轨迹。采用MATLAB/Simulink进行路径规划仿真，结果表明：路径规划融合算法根据前方检测环境能准确规划出全局绕路轨迹和局部避障轨迹，单次规划时间分别为1.14 ms和45 ms，满足实时性要求。实车实验结果表明仿真结果准确，验证了实路径规划融合算法的有效性和算法的鲁棒性     

基于改进多步长蚁群算法的机器人路径规划

针对移动机器人路径规划时蚁群算法稳定性不足且易陷入局部极值的问题,提出一种改进多步长蚁群算法,改进了基本蚁群算法中只能单步位移且方向固定的移动模式,从而减少路径的转向次数且缩短路径长度。针对移动机器人实际工作时可能遇到的环境坡度大的情形,在启发函数中加入高度因素,提升算法环境适应能力。采用自适应挥发机制,加快算法收敛速度及效率。结果表明：在具有变化高度的环境中,与基本蚁群算法相比,改进多步长蚁群算法规划出的路径更平缓且距离更短,更适合移动机器人工作情景。     

复杂动态环境下自主机器人路径规划研究

为了提高复杂动态环境下的机器人路径规划性能,文章提出了全局路径规划和局部路径规划相融合的混合路径规划方法。分析了A*算法原理,提出了加权A*算法,使用权值调节启发信息在评价函数中的作用;改进了人工势场法,解决了传统方法目标不可达和局部极值问题;将加权A*算法的全局路径规划和改进人工势场法的局部路径规划相融合,以全局规划路径的拐点作为局部路径规划的子目标点,提出了混合路径规划方法。经仿真验证,对于固定静态障碍物、临时堆放障碍物、动态障碍物三种情况,混合规划方法都能得到平滑的无碰最优路径。     

移动机器人运动规划算法研究进展

移动机器人运动规划旨在考虑机器人运动学、动力学和时间约束的同时,在复杂环境中找到最佳且无碰撞的路径。近年来运动规划算法逐渐向高效、实时生成高质量的可执行路径发展。综述了基于运动学约束的一系列运动规划算法,分析并比较了其理论上的优势和不足;对算法的实时性能、优化性能以及对环境模型的依赖性进行分析;将运动规划拆分成前端路径搜索和后端轨迹优化;总结了运动规划算法的研究状况。     

改进A*算法的AGV避障路径规划研究

针对传统A*算法在复杂栅格地图规划的路径不平滑存在多余转折点和多余共线节点，使用传统八叉树搜索策略时，AGV易发生碰撞障碍物现象，在复杂环境中随机出现在全局路径上的障碍物无法实现动态避障等问题，提出一种改进A*算法。由于传统A*算法的搜索效率主要取决于估价函数的设计，因此引入启发式函数的权重系数提高A*算法的搜索效率；设置障碍物安全距离，为判断障碍物区域内当前障碍物是否影响AGV通行提供参考，再次改进原有八叉树搜索策略提升避障性能，然后对得到的无碰撞路径进行路径优化处理，保留关键转折点；最后实现A*和DWA算法融合，进一步优化路径，并实现全局动态路径规划。实验结果表明：融合算法使得路径更加平滑，提高了算法的避障性能，表明了融合算法在机器人路径规划中的可行性。     

兼顾路径长度和充电站位置的移动机器人路径规划北大核心

针对移动机器人的路径规划问题,提出基于任务点全覆盖的能效路径规划算法(full coverage of mission location-based energy efficiency path planning,FCPP)。该算法兼顾了移动机器人的路径长度和续航距离。FCPP算法先依据任务点所在的位置,利用区域覆盖算法构建移动机器人的服务点,并确保每个任务点均被覆盖;再依据这些服务点和移动机器人的始点位置,并利用Christofides算法优化移动机器人的路径,缩短完成任务时间;考虑到移动机器人的充电问题,区域内部署了多个充电站。为了避免移动机器人的电量耗尽现象出现,构建能效路径,使每条路径中任意两个连续服务点间距离不超过移动机器人的续航距离;仿真结果表明,执行1000个任务点时,FCPP算法只需5.33 s,有效地提升了执行任务的效率。     

基于混合蚁群算法的AGV路径规划

针对传统蚁群算法在求解自动导引运输车(Automated Guided Vehicle,AGV)路径规划时存在搜索效率低且易陷入局部最优的问题,提出了一种运用于AGV路径规划的混合蚁群算法。首先,利用可视图法建立研究问题的环境模型,在此基础上利用A~*算法规划出一条较优路径作为初始路径;其次,对蚁群算法信息素更新方式以及节点转移概率公式中的启发函数加以改进来提高算法的求解精度,在初始路径的基础上运用改进后的蚁群算法求出最优路径;最后,将混合蚁群算法应用于实际案例,通过与传统蚁群算法的搜索结果加以对比,验证了混合蚁群算法的有效性。     

大型三维复杂构件双机器人协同焊接智能路径规划方法

大型三维复杂构件是船舶、海洋装备、集装箱等的重要组成部分,其焊缝种类较多、空间分布复杂,部分焊缝存在协同同步弧焊焊接、焊接方向等特殊焊接工艺约束,现有协同焊接规划方法难适用于这类复杂场景。提出全局与局部相结合的双机器人协同焊接路径规划多阶段寻优方法;建立复杂构件三维空间焊缝模型以及双焊接机器人协同模型;根据协同同步焊焊缝的数量将构件划分出相应数量的分块,通过蚁群算法求解每一焊接分块的局部路径规划近似最优解;通过遗传粒子群算法进行多分块间的全局路径规划。仿真结果表明:通过分块划分多阶段寻优的方法可以有效地解决特殊焊接工艺约束下的大型三维复杂构件双机器人同步焊接路径规划问题。     

基于改进蚁群算法的果园移动机器人路径规划研究

蚁群算法作为一种模仿蚂蚁觅食行为的仿生算法,常常被人们优先用于路径规划。但是,普通蚁群算法计算量大,容易出现局部最优化。为了提高最短路径搜索速度,建立了新的基于方向夹角的启发因子,使得蚂蚁优先选择夹角小的节点作为下一移动节点;同时采用了较复杂的对角线距离的倒数作为新的启发式因子,该距离公式无需进行平方根运算,求解简单,再一次提高了搜索效率。实验表明:在同等最短路径的情况下,与原蚁群算法相比,最短路径的搜索效率提升了3倍。满足在复杂果园环境下移动机器人的实时路径规划需求。     

基于改进蚁群算法的农用喷药机器人路径规划

研究农用喷药机器人路径规划问题,提出一种基于改进蚁群算法的路径寻优方法。首先,获取实际工作环境信息,抽象化处理工作环境,采用栅格法建立喷药机器人工作环境模型;其次,为使算法搜索更具目的性,引入目标点诱导机制,设计新的距离启发函数,并在此基础上对状态转移概率进行改进;为避免算法搜索出现停滞和提高路径搜索效率,通过引入信息素阈值限定、信息素局部和全局更新相结合的策略对信息素更新方式进行优化;最后,通过仿真实验测试两种算法解决喷药机器人路径规划问题的实际效果。结果表明:两种算法均能有效解决喷药机器人路径规划问题,且相比传统蚁群算法,改进蚁群算法不仅可以有效改善自身收敛性能,而且可以增强自身全局寻优能力。     

基于路径优化混合算法的自动化物流控制系统研究

为了提高自动化物流控制系统的效率,提出了基于路径优化的混合算法实现路径规划方法。在模型设计中,将仓库货柜设计适用于自动引导车无障碍行驶的矩阵排列,按照货柜编号与货柜物理位置进行建模,在自动引导车的路径规划设计中,将模糊算法与启发式算法相结合来完成目标函数求解。实验证明:相比于蚁群算法和模拟退火算法,本文算法在最优解求解和收敛性方面优势明显,在路径优化方面具有较强适用性。     

基于改进RRT路径规划算法

针对基本RRT算法路径规划特点:树的扩展具有随机性,路径中存在冗余的节点,规划出的路径拐角多。因此,提出一种改进的RRT算法。改进后的算法首先采用目标偏向策略,以一定的概率P把目标点作为采样点进行随机树扩展,提高随机树向目标点的扩展的概率;其次,改变度量函数,添加了角度约束,减少了路径规划中搜索的范围,以减少搜索时间;最后,通过贪心算法对路径进行简化,并对简化后的节点采用三次B样条曲线进行优化。结果证明改进后的RRT算法搜索时间更少,搜索路径更短,平滑性更高。     

基于改进遗传算法的工厂AGV安全路径规划

为了避免危害事故的发生,在复杂的加工制造工厂中规划AGV小车安全无碰撞的行驶路径,不能简单地将AGV看成一个质点。首先在传统的障碍物栅格地图中叠加了环境安全信息,构建了融合信息栅格地图,提出了一种改进的遗传路径规划算法,在其适应函数中加入安全信息,并采用A*算法产生的初始路径为基准进行安全优化,减少了算法的搜索空间和复杂度。在MATLAB中对算法进行了验证,并在Gazebo中模拟了制造工厂AGV路径规划过程,验证了该方法具有较快的收敛速度及有效性。