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。     

改进遗传算法与领航跟随法的机器人编队方法

针对传统遗传算法在求解机器人路径规划问题时存在的收敛速度慢、路径不平滑问题,对其进行了改进,在适应度函数中加入了路径平滑度因素,选择操作时平滑度较好的路径更容易被选中。在种群选择时将最优个体直接复制到下一代,有效地保留了父代优良基因。在领航机器人规划路径阶段,使用改进的遗传算法为领航机器人规划出一条安全无碰撞且平滑度较好的最优路径。在跟随机器人跟随阶段,使用领航跟随法控制每一个跟随机器人使其与领航者保持特定的距离与角度,从而形成设定的队形。最后通过MATLAB软件建立栅格地图进行仿真,验证了该算法的可行性,与传统遗传算法相比,改进遗传算法收敛速度更快,且路径更加平滑。     

知识引导遗传算法实现机器人路径规划

针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,设计一种知识引导遗传算法,在染色体的编码、初始种群的产生、各种遗传算子和优化算子中加入相关的领域知识.综合考虑机器人路径的长度、安全度和平滑度等性能指标,在对机器人进行路径规划的同时,利用删除、简化、修正和平滑4种优化算子进行路径优化操作.仿真结果表明,所提方法能够有效提高遗传算法求解实际路径规划问题的能力和效率.     

知识引导遗传算法实现机器人路径规划

针对传统遗传算法求解机器人路径规划问题存在的收敛速度较慢的缺陷,设计一种知识引导遗传算法,在染色体的编码,初始种群的产生,各种遗传算子和优化算子中加入相关的领域知识.综合考虑机器人路径的长度,安全度和平滑度等性能指标,在对机器人进行路径规划的同时,利用删除,简化,修正和平滑,种优化算子进行路径优化操作.仿真结果表明.所提方法能够有效提高遗传算法求解实际路径规划问题的能力和效率.

     

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。     

基于时间窗模型的双向机器人路径规划方法

随着智能化与自动化的发展,机器人应用越来越广泛;多机器人路径规划和协作问题就成为当前关注的焦点。针对以上问题,提出了一种改进的遗传算法。在初始化总群时,通过选择中点的相邻点扩大选择范围确保线路连续。通过种群适应度函数改进路径平滑度防止转向次数过多。为了防止遗传算法陷入局部最优解,通过轮盘赌的方法确保一部分非最优个体。在优化后的遗传算法基础上根据优先级顺序,并结合提出的时间窗模型,对冲突类型进行分类处理并制定对应的协调方案。仿真结果表明,该方法可以有效地解决多机器人的路径冲突问题,通过合理地规划线路提高系统效率。     

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.     

基于优化蚁群算法的机器人路径规划

研究机器人导航中的路径规划问题,运用栅格法和图论思想建立环境模型,在该模型中通过蚁群算法进行路径寻优,提出用遗传算法的思想改进已有蚁群算法,即GAA算法。仿真实验结果表明,该算法能有效地提高机器人的路径搜索速度及路径优化、路径平滑等方面的指标。     

机器人路径规划方法综述

路径规划技术是机器人控制技术研究中的一个重要问题,目前为止,其研究方法主要有两大类传统方法和智能方法.综述了有关机器人路径规划技术的研究方法,介绍了自由空间法等传统方法,同时讨论了基于遗传算法、模糊控制和神经网络等智能方法的路径规划技术,并展望了机器人路径规划技术的未来与发展趋势.     

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。     

基于遗传算法的焊接机器人路径规划应用研究

焊接机器人路径规划对于提高机器人的焊接效率至关重要。传统的机械臂焊接规划采用示教-再现方式,这种焊接模式难以达到高效率、低耗能的要求。对焊接机器人路径规划问题以及遗传算法进行研究,从时间最优角度重点对遗传编码方式、适应度函数、选择、交叉、变异等进行了分析,并采用VS2010对焊接机器人进行仿真,该遗传算法明显提高了焊接机器人的焊接效率。     

基于元胞遗传算法的机器人路径规划研究

使用基本遗传算法进行移动机器人路径规划时,面临路径进行插入修复无法保证解的可行性,且算法易陷入局部收敛的问题;针对上述问题,通过使用元胞遗传算法增强了路径规划环境建模的通用性,并在算法适应度函数中加入路径平滑因素改善了元胞遗传算法的路径;仿真实验表明,该算法和基本遗传算法相比,机器人行驶路径的长度减少,转角绝对值之和减小,得到了距离短且平滑的路径,提高了移动机器人的行驶效率和平稳性;由于算法良好的隐性迁移机制,因此在局部优化时保持了群体的多样性,一定程度克服了算法的早熟现象,有效解决了移动机器人路径规划问题。     

基于遗传算法的机器人路径规划问题

机器人路径规划问题是机器人学的一个重要研究课题,目前有许多专家学者致力于该问题的研究,提出许多新的有效的方法,并且也不断对这些方法进行改进,达到一定的效果。主要介绍遗传算法的基本思想,分析基于传统遗传算法的机器人路径规划,总结基于传统遗传算法的机器人路径规划存在的问题。     

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.     

机器人运动规划方法的研究

针对路径规划以及碰撞检测这一研究的重点问题,提出了G-空间法、人工势力场法、遗传算法等。序列规划问题一般转化为旅行商问题来求解。在综合现有序列规划和路径规划方法的基础上,提出两种机器人运动规划算法：基于任意路径的运动规划算法和基于直线路径的运动规划算法,思路简单,能对各种机器人工程任务进行运动规划。     

基于可视图与改进遗传算法的机器人平滑路径规划

针对传统遗传算法在路径规划中存在收敛速度慢、易早熟和路径质量差等缺点,提出一种基于可视图与改进遗传算法的路径规划算法。首先,利用可视图法压缩地图信息,减少搜索节点;然后,对路径个体采用浮点数编码,引入模拟二进制交叉(simulated binary crossover,SBX)算子和多项式变异算子,并采用精英保留策略和轮盘赌相结合的选择算子以防止优质个体丢失;之后,将贝塞尔(Bezier)算子引入遗传算法,改善路径的平滑性;最后,分段优化贝塞尔控制节点,防止优化路径与障碍物碰撞。在仿真地图中进行测试,实验结果表明,所提算法相比于其他算法可以规划出一条更平滑、更短的路径。将算法应用在康复助行机器人中进行测试,实验结果表明,所提算法能有效解决机器人的全局路径规划问题,提升全局路径规划的效率。     

基于改进遗传算法的餐厅服务机器人路径规划

针对遗传算法（GA）易产生早熟现象和收敛速度慢的问题,提出了一种基于传统遗传算法（TGA）的改进遗传算法——HLGA,用于实际餐厅服务机器人的路径规划。首先,通过基于编辑距离的相似度方法对拟随机序列产生的初始种群进行优化;其次,采用自适应算法的改进交叉概率和变异概率调整公式,对选择操作后的个体进行交叉、变异操作;最后,计算具有安全性评价因子函数的个体适应度值,进一步对比、迭代得到全局最优解。理论分析和Matlab仿真表明,与TGA和基于个体相似度改进的自适应遗传算法（ISAGA）相比,HLGA的运行时间分别缩短了6.92 s和1.79 s,且规划的实际路径更具有安全性和平滑性。实验结果表明HLGA在实际应用中能有效提高路径规划质量,同时缩小搜索空间、减少规划时间。     

一种改进PSO的室内机器人路径规划方法

针对室内空间局限性造成的移动机器人路径规划难度提升问题,文章分析了机器人室内移动中转弯、启停等运动特征,为获得最优规划路径引入了粒子群算法(particle swarm optimization, PSO),同时为改善经典算法中收敛度低,易早熟等问题,首先使用收敛因子、线性递减、非线性凹函数、随机分布方式等对PSO惯性权重的选取进行了讨论,并结合三次样条插值方法、选取罚函数作为适应度函数等对PSO进行了算法改进,最后,以实验室作为室内环境背景进行了仿真实验,并与经典的PSO路径规划方法进行了对比,实验结果表明,文章中改进的PSO路径规划方法精度高于经典PSO方法5%,平均寻优时间比经典PSO的少5s左右,能够有效的提高规划路径的平滑度,对于室内环境中机器人路径规划具有良好的实时性和有效性。     

移动机器人智能路径规划方法研究

路径规划是移动机器人导航技术研究中一个重要环节和课题。规划的方法可以分为传统的路径规划方法和智能化的路径规划方法。本文对于当前普遍采用的遗传算法、模糊逻辑算法、神经网络、蚁群优化算法、粒子群算法、启发式搜索法等智能路径规划方法进行了较为详细的介绍和分析,并展望了机器人路径规划技术的未来与发展趋势。     

移动机器人路径规划的仿真研究

研究移动机器人路径优化问题,由于移动机器人寻优中存在定位稳定性和避障准确性问题,机器人路径规划不仅找到一条无碰撞、安全的移动机器人路径,而且要求路径尽可能最短。传统单一栅格法和遗传算法搜索最优路径效率低,难以全局最优路径。为了获得机器人全局最优路径,提出一种栅格法和混沌遗传算法相融合的移动机器人路径规划方法。首先采用栅格法对移动路径进行规划,作为遗传算法的初始种群,采用遗传算法进一步寻找最优路径。最后对移动机器人路径规划进行仿真,结果表明,混合算法可以很好地避免障碍物,快速找到一条机器人最优移动路径,十分适合于复杂环境路径规划。