融合A*和DWA算法的移动机器人路径规划方法

本研究旨在解决自主移动机器人在点到点路径规划中面临的搜索效率低下、易陷入局部最优解以及对未知动静态障碍物处理不够实时的问题。为此,将改进A*算法与改进 DWA进行了有效融合。在改进的A*算法中,我们引入了基于障碍率的权重因子和双向优化策略,以提升搜索效率并生成更加平滑的路径。同时,改进的DWA算法融入了两种新的障碍物评价函数,并通过调整权重系数有效地避免了局部最优解问题。通过将改进的DWA算法与改进的A*算法结合,实现了对未知动静态障碍物的高效实时避障。仿真实验结果显示,提出的改进A算法与传统A算法以及文献［23］的改进算法相比,在四种环境下的表现表明：路径转弯次数分别平均减少了30.14%和18.16%,搜索空间分别减少了35.09%和15.21%,规划时间分别降低了82.36%和38.26%。进一步地,结合改进的DWA算法后,路径规划时间、路径长度和平均运动速度相比融合传统DWA算法和文献［23］的融合算法分别平均减少了37.46%和9.82%,减少了4.59%和3.63%,提高了53.49%和7.09%。     

融合三步平滑与改进RRT算法的无人机路径规划

为解决路径规划领域中原始RRT所具有规划时间长、路径不平滑、路径代价大的缺点,本文先在原始RRT算法的基础上加入了动态步长策略以及嵌入了Dijkstra算法对效率进行改进,然后在得到的路径上分别加入下样本平滑、上样本平滑和关键点平滑对路径平滑度和路径代价进行改进。MATLAB实验表明,本文算法在规划时间上较传统RRT提升45%左右,较Astar、RRTstar、GA算法有着分别30%～70%不等的领先;在路径长度方面,本文算法较传统RRT有着近40%的提升,相较其他算法也有着不同程度的领先。由此可以得出,本文所提方法,可以较好地应用于路径规划。     

基于改进RRT算法的无人车路径规划研究与测试

针对基本快速搜索随机树(RRT)算法在路径规划过程中存在的节点采样随机、收敛速度慢以及寻址精度低等问题,结合目标引力函数和障碍物排斥力场函数,设计了一种基于动态步长的改进RRT算法。算法采用分区域节点扩展方式,实现精细化路线规划,提升路径指向性及避障能力;同时,利用转角限制、平滑处理等方式减少无效拐点,提高路线实用性。结果表明,所用算法具有较好的抗干扰能力,可有效提高无人车的路径规划精度和作业效率,缩短货物运送路程,减少成本消耗。相比基本RRT算法,采用改进RRT算法的无人车行驶路程缩短17.7%,作业效率提高25%,成本消耗减少25%。研究结果具有一定实用性,可为仓储无人运输车应用提供理论支撑。     

改进A*算法的移动机器人全局路径规划

针对A*算法在移动机器人路径规划存在搜索效率低,路径斜穿障碍物顶点,路径拐弯多等问题。提出一种改进的A*算法,首先在A*算法的邻域扩展中采用避免斜穿障碍物顶点的策略;再引入障碍物因素对评价函数进行指数加权,减少不必要的搜索,提高A*算法的效率和灵活性,使算法偏向于选择障碍物较少的路径;最后使用三次优化折线的策略,加入障碍物安全距离,减少路径上的冗余节点和拐弯。使用MATLAB进行实验仿真,结果表明,在20 m×20 m、40 m×40 m、60 m×60 m栅格地图环境下,改进A*算法较传统A*算法,搜索时间分别减少70.12%、84.31%、91.44%,扩展节点分别减少53.77%、71.20%、74.30%,路径累计拐弯角度分别减少70.48%、76.31%、82.18%,改进A*算法能够有效的提高移动机器人路径规划的效率,路径更为平滑和安全,且在复杂环境中优势更为明显。     

基于双向F-RRT*算法的移动机器人路径规划

针对F-RRT*算法在狭窄环境和多障碍物复杂环境下搜索效率低的问题,提出一种基于双向搜索的F-RRT*算法(BF-RRT*)。以F-RRT*算法为基础,首先采用双向搜索结构,双树从起点和终点轮流扩展,使用贪婪启发式引导随机树生长;其次,针对连续扩展过程中产生的冗余点进行消除处理,快速获得低成本路径,有效提高了规划速度;然后引入启发式函数,并对连接点进行优化以提高路径整体质量。最后分别基于MATLAB和Gazebo仿真平台将改进算法进行了对比实验,结果表明在不同环境下,该算法相较于原算法在迭代次数上平均降低63.5%,在规划时间上平均降低88.41%以上,有效提高了规划效率。     

基于改进A*算法的无人机路径规划研究

针对传统A*算法在无人机路径规划时效率低下、路径点存在大量冗余,且路径转折较多的缺点,提出一种基于双向机制的改进A*算法。首先引入双向搜索机制,分别以对向搜索的起点作为终点,然后判断终点位于起点的象限进行双定向搜索,从而提高搜索效率。最后引入路径平滑策略,将双定向搜索获取的初始路径进行平滑处理,减少冗余路径点和转折点。通过MATLAB平台对传统A*算法和改进A*算法进行对比实验,实验结果表明,相比于传统A*算法,提出的改进A*算法,路径规划时间平均减少了61.61%,路径点平均减少了83.09%,路径转折点平均减少了46.97%,能够有效提高无人机工作效率,生成平滑路径。     

基于融合改进RRT算法与改进DWA算法的路径规划研究

针对传统动态窗口算法(dynamic window approach, DWA)在动态环境下预测能力较差且非最优路径等问题,提出一种改进的DWA算法。通过密度约束和采样区域限制来改进RRT^*(rapidly-exploring random tree)算法,提高RRT^*算法的收敛速度。将改进RRT^*算法得到最优路径作为机器人移动的参考路线,以保证全局的路径最优。通过预测轨迹的末端状态来合理的延长预测轨迹,以传递影响到评价函数,使机器人可以提前探测到障碍物并进行避障动作。在不同环境下,改进后的算法移动路径长度和消耗时间分别减少12.76%和30.14%,且具有更强的前瞻性以及更短的路径。     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

基于改进灰狼优化算法的移动机器人路径规划

针对移动机器人避障路径规划问题,在基本群智能算法灰狼优化算法的基础上,提出改进灰狼优化算法,测试函数证明了算法的稳定性和收敛性,进而将其首次应用于移动机器人避障路径规划问题,通过对改进灰狼优化算法的移动机器人避障路径进行研究,并与基本灰狼优化算法、粒子群算法、遗传算法比较,仿真结果证明了算法的稳定性和收敛性,对路径规划领域有十分重要的研究意义。     

改进RRT的移动机器人路径规划算法

针对快速扩展随树算法(RRT)在移动机器人路径规划中随机性强、转折点多、存在大量冗余点的缺点,提出了一种基于单元分解法的改进RRT算法。首先在算法初始阶段,利用单元分解法将地图划分为可行区域与障碍区域;后根据区域与区域之间邻接关系,将随机采样点的选择固定在邻居区域内,直至扩展到目标点所在区域;并对搜索到的最终路径进行优化处理,改善路径转折点过多的问题。仿真结果表明,改进RRT算法生成的路径长度更短、消耗时间更少,最后将改进RRT算法应用在实际移动机器人中,进一步证明改进算法的实用性和有效性。     

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。     

基于RSS_GN RRT算法的狭长空间路径规划

针对RRT算法在狭长空间中存在的收敛速度慢及规划路径不平滑的问题,提出了一种RSS＿GN RRT算法。为了提升算法的收敛速度,提出了引导节点导向策略与分区域采样策略,极大地减少了算法对无效区域的搜索;其次,算法引入了采样角度约束策略来提高规划路径的质量,并采用父节点拓展选择的方法有效解决了由角度约束引起的迭代次数增加的问题。此外,算法可根据感知信息进行地图地动态重构并规划避障路径,提高了算法在低速动态环境中的适应性。仿真结果显示,在狭长通道环境中,RSS＿GN RRT算法在规划路径的耗时上比RRT、Goal＿bias RRT、角度约束下的RRT、Informed RRT*及DR-RRT算法分别减少了77.3%,51.9%,84.7%,98.8%和60.3%。在迭代次数上,相比于上述算法,分别减少了95.9%,92%,98.3%,98.3%和89.5%。路径的平均曲率也分别降低了94.1%,93.2%,88.7%,91%和92.9%。仿真结果证明了RSS＿GN RRT算法在提升规划速度和改善路径质量方面具有显著优势。同时,本文采用了阿克曼模型的小车实测了算法的局部避障能力。经测试,小车可...     

基于视觉的自主机器人障碍识别与路径规划

障碍物的识别与行走路径的规划是机器人实现自主移动的必要手段。本文基于深度相机提出一种由深度连续性与彩色特征点融合的障碍识别方法,通过深度相机获取物体的空间位置信息,映射到已有的地图中,构建障碍物空间。又提出一种PRM-D*的路径规划方法,先使用改进的随机概率路线图(PRM)完成整体路径规划工作,再根据相机识别的障碍物,设置局部地图,使用基于图搜索的D*算法进行局部动态规划,完成动态避障任务。通过实验,所提障碍物识别方法即使在昏暗的室内环境中,其对障碍物的检测准确率也大于80%,常规环境检测准确率高于95%,具有较好的鲁棒性与实时性;PRM-D*的路径规划方法在缩短总体规划时间的同时,确保了路径规划的成功率,单次动态规划时间小于0.02 s,具有良好的动态避障性能。     

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%。     

复杂环境下的改进 RRT 算法路径规划

针对快速扩展随机树算法(rapidly-exploring trees, RRT)在一些复杂环境中存在搜索效率低、收敛速度慢、生成的路径冗余节点多等问题,提出一种改进的RRT算法。首先引入自适应目标概率策略,实时调整对目标点的采样概率;其次引入节点转向策略,提高单次采样的成功率;最后对生成的路径进行冗余节点裁剪,使路径更符合实际应用需求。在MATLAB中进行仿真实验,并与RRT算法、RRTGoalBias算法进行对比。实验结果表明,改进算法在多种不同环境下具有较好的适应性,在寻路时间、采样次数和采样成功率3个方面均有较大提升,最终平均路径长路降低了21.1%,平均节点数降低了75.3%,证明了改进算法的优越性和实用性。     

基于Hough空间的移动机器人全局定位算法

提出了一种基于Hough变换的移动机器人全局定位方法。在机器人执行全局定位的初始阶段,将给定的环境栅格地图通过离散Hough变换转换为Hough空间中形成参考地图,并建立全局地图的Hough能量谱函数;而机器人在定位过程中通过激光传感器数据实时构建局部地图,并转换到Hough空间建立局部地图的Hough能量谱函数;构建全局和局部地图的Hough能量谱相关函数,通过局部最大化该函数求出两个地图间的旋转角度集。基于求得的角度集,对局部地图进行旋转配准,与全局地图一起构建Hough变换相关函数,通过局部最大化该函数可求出两个地图间的平移集合;应用求得的旋转角度集和平移集合,很容易估计机器人在全局地图中的位姿分布,通过不连续的几个时刻的位姿更新最终能够实现机器人全局定位。实验结果证明了该方法的有效性。