基于RRT改进算法的AGV路径规划

传统快速扩展随机树（RRT）算法在搜索空间中,随机采样生成我们所需要的树,由树的起始点直到终点,探索出一条无障碍的路径。采样点是均匀随机,导致算法过于随机,生成路径的效率不高且生成路径质量偏低,在面对狭窄通道时容易导致算法局部循环甚至搜索失败,传统算法生成的路径过于曲折不利于跟踪行驶。针对这些问题,改进后的算法在RRT的基础上,增加算法贪婪计算和目标节点的启发;将扩展的采样点重点集中于一定的区域,满足正态分布。仿真实验表明,改进后的算法效率更高,生成路径质量高,面对狭窄通道这个传统难题也可以高质高效地生成一条路径,利于AGV跟踪行驶。     

基于APF的AGV局部路径规划改进算法研究

针对原有人工势场法（artificial potential field,APF）在局部路径规划时的避障效果不良问题,提出一种APF-PSO的改进算法改善原算法优化路径规划的效果。将速度势场引入位置势场中使AGV(automated guided vehicle)动态避开不同速度的移动障碍物;当算法陷入局部最小值时,采取PSO(particle swarm optimization)算法,并对其惯性权重因子和学习因子做出调整,通过三次样条曲线插值来平滑路径,使得AGV找到最短路径。结果表明APFPSO改进算法可根据障碍物速度不同动态避障,解决了APF算法运算中避障效果不良问题。     

基于改进粒子群算法的移动机器人路径规划

为了提高复杂环境下移动机器人的精准导航作用,提出了移动机器人路径规划的改进粒子群优化(PSO)算法,即利用粒子个体极值的加权平均值,同时加入惯性权重.建立了移动机器人工作环境的栅格模型,利用Matlab软件进行移动机器人路径规划仿真分析.仿真结果表明:改进后的粒子群算法容易使粒子移动到最佳位置,加强了全局寻优能力,在复杂环境中搜索路径性能优于传统算法.     

基于改进蚁群与动态窗口法的AGV动态路径规划

针对全局静态路径规划算法无法有效躲避动态障碍物、局部动态路径规划算法缺少全局环境信息指导规划路径质量差或无法成功到达目标点等问题,提出了一种结合改进蚁群算法和动态窗口法的全局动态路径规划算法,实现在动态环境中的全局最优路径实时规划.对传统蚁群算法提出了初始信息素不均匀、双向分布、引入放大系数A增大相邻栅格启发信息差异、...     

基于改进A*算法的AGV叉车路径规划技术研究

针对车间工作环境下AGV叉车的最优路径快速规划问题,从启发函数和路径平滑策略出发,提出了一种改进型A*算法.基于欧几里得距离模型,引入余弦相似度作为启发函数,提高搜索方向与目标方向的一致性匹配.进而,结合AGV叉车实际运行情况,提出了基于拐点数优化的路径平滑策略.在相同路径长度下,减少不必要的拐点数,优选拐点数少的路径...     

改进蚁群算法在AGV路径规划中的应用

针对传统蚁群算法在路径规划时,易陷入局部最优、前期路径有效性差等问题,对传统蚁群算法进行改进并应用到AGV（Automated Guided Vehicle）路径规划上。采用栅格地图建立小车工作空间模型,利用改进的头尾搜索机制,提高并加快了算法的全局搜索能力和前期收敛速度;引入奖惩因子与信息素最大最小阈值,对每代最优路径上的信息素进行奖励,最差路径上的进行惩罚,提高全局搜索能力;引入遗传算法变异因子,使算法跳出局部最优能力加强;采用遗传算法对改进的蚁群算法进行参数优化,减少参数对算法的影响。在VS2017和MATLAB软件平台上进行算法仿真。结果表明了该算法在避免局部最优和加快收敛速度方面有很大改进。     

基于改进粒子群优化算法的AGV全局路径规划

分析了用人工神经网络模型描述环境时,采用Sigmoid函数作为神经网络作用函数的不足之处,提出采用双曲正切函数作为神经网络的作用函数,使网络更有利于路径优化算法的寻优计算。粒子群优化（Particle Swarm Optimization,PSO）算法具有收敛速度快,需要调节的参数少等优点,但优化过程中容易发生“早熟”收敛,使优化陷入局部极小值。通过引入模拟退火算法、“交叉算子”和“变异算子”,提出了一种新的改进粒子群优化算法（Improved Particle Swarm Optimization,IPSO）来解决AGV全局路径规划问题。仿真结果表明,IPSO具有很强的全局寻优能力,并且收敛速度比PSO快,能够为AGV规划出理想的路径。     

基于混合感知信息的路径规划模型

针对动态未知环境下的自主虚拟人实时避障问题,提出一种基于混合感知信息的路径规划模型。该模型由全局规划器和局部规划器组成,全局规划器依据已知环境信息先行规划出优化的运动路线,局部规划器通过对人类的规划行为进行分析,建立用于局部动态规划的运动代价评估函数,实现虚拟人在动态未知场景中的智能规划行为。实验结果表明,该模型能保证实时性,模拟符合人类特征的规划 行为。     

改进平滑A*算法的多AGV路径规划

科技的进步促使拥有众多优势的自动导引车（Automated Guided Vehicle,AGV）逐步替代人工搬运,随之产生的多AGV路径规划、协调问题也应运而生。针对上述问题,依据AGV行驶特征,构建笛卡尔坐标系环境,以传统A*算法为基础模型,通过引入3轴-2象限、路线转向数来剔除无效备选点,平滑行驶路径;以系统总工作时长最小为目标制定冲突判断标准与协调策略,实现系统运行效率最佳的目标。通过实例分析,改进A*算法单AGV线路最多可减少10.9%搜索点数和350%转向数;以时间最小为目标的协调策略能够有效避免因主观因素制定的优先度而导致系统陷入局部最优的现象。     

基于混合算法的多停靠点物流路径规划仿真

现有的多停靠点物流路径规划方法未考虑配送中心的位置,无法合理调整停靠点,导致规划不合理,配送效率低的问题.提出一种基于混合算法的多停靠点物流路径规划方法.先对多停靠点物流路劲规划问题展开描述,计算停靠点间的配送用时和停靠时间,构建路径规划数学模型.采用改进蚁群算法求解所选路径的选取概率,物流配送中心选取,结合改进可见度...     

基于虚拟目标的AGV局部路径规划研究

针对传统人工势场法对AGV(Automated Guided Vehicles)进行路径规划时,容易产生局部极小值的问题,提出了一种基于虚拟目标的人工势场路径规划方法.基本原理是AGV在行驶过程中,根据障碍的分布和目标的方位,动态地改变目标点的方位,即改变引力的方向,来避免引力和斥力的合力为零的情形发生,从而消除局部极小值产生的条件.设计了模糊逻辑控制器,用来预测合力为零的可能性.如果合力有可能为零,则计算为避免合力为零,目标方位的改变量.仿真结果表明,该方法能有效地解决局部极小值问题,为AGV规划出一条光滑的行驶路径.     

基于改进遗传算法的机器人路径规划与仿真

针对标准遗传算法解决机器人处于障碍环境下寻找最优路径局部寻优精度较差、规划效率低的问题,提出一种改进遗传算法的机器人路径规划方法。该算法采用一维编码表示路径,构造了路径最优化的目标函数和适应度函数,利用多个种群拓宽搜索空间,提高了规划效率,采用保优选择策略,避免陷入局部最优。仿真结果表明,改进遗传算法比标准遗传算法路径规划质量高,能够获得平滑的低代价路径,稳定性好,是机器人路径规划的一种较好的方法,且具有一定的推广意义。     

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.     

基于改进人工势场的AGV路径规划算法

在老旧仓库中使用传统人工势场算法进行路径规划时, 原本出现频率极低的与远目标端障碍物相撞、目标点不可达、局部极小值等缺陷出现的频率极大提高. 为提升人工势场算法寻径的成功率, 本文提出了改进人工势场算法, 对上述3种缺陷进行了修正, 并使用Matlab模拟仿真验证了算法的有效性. 在改进人工势场算法中, 通过对引力与斥...     

基于启发式机器人路径规划仿真研究

研究路径规划优化选择问题,路径规划一直是工业机器人需要解决的重点技术。为了使机器人的移动目标位姿寻找无碰撞路径,针对传统的A*的路径规划算法对路径规划选择时容易陷入"死循环",而且找到的路径并非最优路径等缺陷。为解决上述问题,提出了一种在原A*算法的基础上改进为新的双向A*递归路径规划算法,首先通过加入搜索方向因子,充分利用硬件资源和并行编程技术,遍历路径中的所有节点,当某一节点前后节点连线上无障碍物时,将延长线路的中间节点删除,从而建立双向A*模型。仿真结果表明,改进后的算法性能优于标准A*算法以及蚁群算法,并使路径选择得到优化。     

基于改进OpenPlanner算法的移动机器人局部路径规划

现有局部路径规划算法仅实现了移动机器人在场景内自由移动,但局部路径生成并未考虑场景内道路限制,对于一些规则化的结构道路并不适用。OpenPlanner算法很好地解决了该问题,但传统OpenPlanner算法规划的局部路径不满足移动机器人最大转向曲率约束而无法被移动机器人有效跟踪。针对上述问题,从状态采样和评价函数2个方面对传统OpenPlanner算法进行改进,并将改进OpenPlanner算法用于移动机器人局部路径规划。在状态采样阶段,通过设计双层局部路径簇来扩大最优局部路径解空间,其中首层局部路径簇入段纵向采样距离与行驶速度呈分段线性关系,次层局部路径簇入段纵向采样距离为首层局部路径簇的1.5倍;在路径筛选阶段,将路径曲率代价（由局部路径上各采样点曲率求和得到）引入评价函数,确保局部路径簇满足移动机器人的最大转向曲率约束,从而使局部路径被移动机器人所跟踪。实验结果表明：与传统OpenPlanner算法相比,改进OpenPlanner算法筛选的最优局部路径转向更加平缓,在无障碍物、有障碍物场景下平均曲率分别减小了31.3%,6.2%,且局部路径能够被移动机器人较好地跟踪。     

AGV路径规划及避障算法研究综述

自动导向车(Automated Guided Vehicle, AGV)目前被广泛应用于物流、仓储、制造业和仓储等领域.AGV的路径规划和避障算法是实现AGV自主导航的关键技术,决定了AGV在复杂环境中能否高效、安全地完成任务,近年来成为AGV领域的重要研究热点之一.本文根据AGV路径规划及避障算法的原理与特点,将主流AGV路径规划及避障算法划分为局部避障路径规划算法、基于几何模型的路径规划算法、智能路径规划算法和混合算法4类,对算法的原理、工作流程、优缺点进行了深入分析,并介绍了相应的改进算法.最后,本文对AGV路径规划及避障的未来发展趋势进行展望,为AGV路径规划及避障算法的研究指出了方向.     

基于改进蚁群算法的机器人路径规划算法

针对传统蚁群算法搜索时间长、容易陷入局部最优解等缺点,提出了一种基于组合优化和起始目标导引函数的改进型蚁群算法.为备选结点引入优先级,采用状态转移概率和优先级的组合优化方法平衡各路径信息,避免陷入局部最优.搜索过程引入起始目标导引函数.优先搜索距起点远而距目标点近的结点.仿真结果表明,所提出的改进蚁群算法能够在较短时间内找到全局最优路径,显著提高移动式机器人的路径规划性能.