二进制粒子群算法在路径规划中的应用

全局路径规划是智能机器人的一个重要研究领域,将二进制粒子群算法应用于路径规划是一种新的尝试.提出一种机器人路径全局路径规划方法,介绍了利用改进的二进制粒子群算法进行路径规划的详细实现过程.机器人工作空间中的障碍物表示为多边形,对多边形顶点进行编号.利用二进制粒子群算法进行路径规划,粒子的长度定义为工作环境中障碍物顶点的个数,每一位为0或1表示路径是否经过该顶点.为了克服传统的二进制粒子群算法的早熟收敛问题,在改进的算法中采用了双重编码结构,并引入变异操作.最后给出仿真结果证明该方法的正确性和有效性.     

基于神经网络和粒子群优化算法的移动机器人动态避障路径规划

本文提出了基于神经网络和粒子群优化算法的移动机器人动态避障路径规划方法。该方法用神经网络模型描述机器人工作空间的动态环境信息,并建立起机器人动态避障与网络输出间的关系,然后将需规划路径的二维编码简化为一维编码,最后用粒子群优化算法获得最优无碰路径。仿真结果表明,所提的动态路径规划方法是正确和有效的。     

改进粒子群算法和动态窗口法的动态路径规划

针对粒子群算法收敛速度慢、精度低以及只适用于静态环境等问题，提出改进粒子群-差分进化和动态窗口法的混合算法.首先利用差分进化算法改进粒子群算法寻优机制，对粒子群算法进行优化，构造新的适应度函数，实现对全局的路径规划；然后，根据生成的路径，提取关键中节点作为动态窗口法的局部目标点，采用动态窗口法进行局部路径规划，使起始航向角继承上一次到达局部目标点的航向角，生成从起始点到目标点的最短且平滑的路径.最后，将所提算法应用于不同试验场景进行路径规划仿真试验，并与现有算法进行对比分析，结果表明所提算法可行性强，具有更高的搜索能力.     

改进粒子群优化算法的移动机器人路径规划

针对单一智能优化算法求解机器人路径规划时易陷入局部误区的问题,提出改进粒子群优化算法(GB_PSO)用于机器人路径规划.该算法以粒子群优化算法(particle swarm optimization,PSO)为主体,由于遗传算法(genetic algorithm,GA)和细菌觅食算法(bacterial foraging optimization algorithm,BFO)更新策略所受环境影响的不同,拟合两种环境参数;然后计算粒子与不同环境参数之间的相关性将粒子群划分为两类,分别通过GA的选择、交叉、变异算子和BFO的趋化操作并行加强局部优化;最后通过改进的粒子群更新公式对粒子进行更新,实现机器人全局和局部路径的优化.实验结果表明,改进粒子群优化算法进行路径规划提高了局部和整体的搜索能力,路径规划速度快且路径距离短,同时具备更强的鲁棒性.     

智能空间中的服务机器人路径规划

为了加深服务机器人对环境的理解,实现安全高效的智能空间导航,建立了一种信息更为丰富的环境模型——危险度地图;并针对智能空间环境部分未知的特点,设计了分层的路径规划方法.静态规划层根据已知环境信息,采用改进的粒子群优化算法规划初始最优路径,动态规划层利用基于动态危险度地图的改进A＊算法进行避障.该方法克服了常规算法只追求路径最短的缺点,增加了对路径危险度的评价,规划出的路径既安全又较短;且该方法实现简单,实时性好.仿真结果验证了该方案的可行性.     

动态贝叶斯网络的一种基于BK的粒子滤波推理算法

针对传统粒子滤波(PF)对于动态贝叶斯网络推理中计算的高维问题,提出动态贝叶斯网络的一种基于BK的粒子滤波推理算法(BKPF).BKPF算法融合PF和BK的优点,以弱相关性为指导对DBNs进行分团来降低问题求解的规模,从每个团的状态空间获取粒子并以粒子的因式积形式近似表示系统的状态信度,进而对DBNs的状态空间进行重采样和更新.仿真实验表明,与PF相比,该算法显著提高了计算效率,且推理精度也有一定的提高.     

改进微粒群算法在机器人路径规划中的应用

研究机器人路径规划问题,是为了设定合理最短路径、最快速度、小能耗的优化路径.由于目前微粒群算法应用在路径规划中易陷入局部最优、搜索时间长等缺点,在微粒群算法基础上,提出一种引入了交叉算子和变异算子的改进算法进行路径规划设计,并采用栅格法对机器人实际运动环境进行三维空间建模.在微粒群算法中引入交叉算子,使成对的粒子可以进行信息交换,以便粒子具有了向新的搜索空间飞行的能力;同时引入变异算子,使其坐标值被随机更新,增强了微粒群算法跳出局部最优点的能力.仿真结果表明改进算法简单有效,收敛速度快且具有优秀的搜索能力,为优化机器人路径规划性能提供了依据.     

基于改进粒子群算法的机器人路径规划方法

提出一种基于粒子群算法的机器人路径规划方法.将路径规划看作一个带约束的优化问题,约束条件为路径不能经过障碍物,优化目标为整个路径的长度最短.机器人工作空间中的障碍物描述为多边型,对障碍物的顶点进行编号.利用粒子群算法进行路径规划,每一个粒子定义为一个由零或障碍物顶点编号组成的集合,在粒子的迭代过程中考虑约束条件,惯性权重随迭代次数动态改变,使算法既有全局搜索能力也有较强的局部搜索能力.仿真结果表明该方法的正确性和有效性.     

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、...     

动态分级的改良蚂蚁算法及其应用研究

针对蚂蚁算法处理机器人路径规划问题时收敛速度慢,协同机制不够完善的问题,结合狼群算法思想提出一种动态分级的改良蚂蚁算法。首先,根据动态分级算子建立种群分级模型;然后,为了改善协同机制,通过结合轮盘赌的头狼影响策略来增加种群间交流;最后,为了提高收敛速度,在保留蚂蚁算法信息素更新公式的同时,通过采取归一化处理的动态信息素更新策略来体现精英作用。为验证效果,采用栅格法对机器人运动空间进行建模,将本算法运用于路径规划问题求解中,并与另外几种智能算法进行比较。仿真结果表明,该算法的收敛速度较快,能以比较少的迭代次数找到最优路径,效率较高。     

融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

基于双粒子群算法的矿井搜救机器人路径规划

针对在复杂地形中标准的粒子群算法用于矿井搜救机器人路径规划存在迭代速度慢和求解精度低的问题,提出了一种基于双粒子群算法的矿井搜救机器人路径规划方法。首先将障碍物膨胀化处理为规则化多边形,以此建立环境模型,再以改进双粒子群算法作为路径寻优算法,当传感器检测到搜救机器人正前方一定距离内有障碍物时,开始运行双改进粒子群算法:改进学习因子的粒子群算法(CPSO)粒子步长大,适用于相对开阔地带寻找路径,而添加动态速度权重的粒子群算法(PPSO)粒子步长小,擅长在障碍物形状复杂多变地带寻找路径;然后评估2种粒子群算法得到的路径是否符合避障条件,若均符合避障条件,则选取最短路径作为最终路径;最后得到矿井搜救机器人在整个路况模型中的最优行驶路径。仿真结果表明,通过改进学习因子和添加动态速度权重提高了粒子群算法的收敛速度,降低了最优解波动幅度,改进的双粒子群算法能够与路径规划模型有效结合,在复杂路段能够寻找到最优路径,提高了路径规划成功率,缩短了路径长度。     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

一类用于井下路径规划问题的Dyna_Q学习算法

在基于目标的强化学习任务中,欧氏距离常用于Dyna_Q学习的启发式规划中,但对于井下救援机器人路径规划这类状态空间在欧氏空间内不连续的任务效果不理想。针对该问题,文章引入流形学习中计算复杂度较低的拉普拉斯特征映射法,提出了一种基于流形距离度量的改进Dyna_Q学习算法,并在类似于井下环境的格子世界中进行了仿真研究。仿真结果验证了该算法的有效性。     

动态环境中基于改进粒子群的机器人路径规划

提出一种模糊隶属度函数对动态环境中机器人的运动状况进行建模,该建模方法不会无谓地牺牲机器人的可运动空间,可尽量减少机器人路径规划的约束强度;同时提出通过调整位置加权趋向无约束最优解的算子改进粒子群算法,提高算法的寻优速度。仿真结果表明,通过两者结合,可快速获得动态环境中的优化路径。     

Reinforcement based mobile robot navigation in dynamic environment

In this paper, a new approach is developed for solving the problem of mobile robot path planning in an unknown dynamic environment based on Q-learning. Q-learning algorithms have been used widely for solving real world problems, especially in robotics since it has been proved to give reliable and efficient solutions due to its simple and well developed theory. However, most of the researchers who tried to use Q-learning for solving the mobile robot navigation problem dealt with static environments; they avoided using it for dynamic environments because it is a more complex problem that has infinite number of states. This great number of states makes the training for the intelligent agent very difficult. In this paper, the Q-learning algorithm was applied for solving the mobile robot navigation in dynamic environment problem by limiting the number of states based on a new definition for the states space. This has the effect of reducing the size of the Q-table and hence, increasing the speed of the navigation algorithm. The conducted experimental simulation scenarios indicate the strength of the new proposed approach for mobile robot navigation in dynamic environment. The results show that the new approach has a high Hit rate and that the robot succeeded to reach its target in a collision free path in most cases which is the most desirable feature in any navigation algorithm.     

基于ACS算法的移动机器人实时全局最优路径规划

以Ant Colony System（ACS）算法为基础提出了一种新的移动机器人实时全局最优路径规划方法.这种方法包括三个步骤:第一步是采用链接图理论建立移动机器人的自由空间模型，第二步是采用Dijkstra算法搜索出一条无碰撞次优路径，第三步是采用ACS算法对这条次优路径的位置进行优化，从而得到移动机器人的全局最优路径.计算机仿真实验的结果表明所提出的方法是有效的，可用于对移动机器人进行实时路径规划.仿真结果也证实了所提出的方法在收敛速度、解的波动性、动态收敛特征以及计算效率等方面都具有比采用精英保留遗传算法的移动机器人路径规划方法更好的性能.     

基于自适应动态窗口改进细菌算法与移动机器人路径规划

针对移动机器人在复杂环境下的路径规划问题,提出一种新的自适应动态窗口改进细菌算法,并将新算法应用于移动机器人路径规划。改进细菌算法继承了细菌算法与动态窗口算法（dynamic window algorithm, DWA）在避障时的优点,能较好实现复杂环境中移动机器人静态和动态避障。该改进算法主要分三步完成移动机器人路径规划。首先,利用改进细菌趋化算法在静态环境中得到初始参考规划路径。接着,基于参考路径,机器人通过自身携带的传感器感知动态障碍物进行动态避障并利用自适应DWA完成局部动态避障路径规划。最后,根据移动机器人局部动态避障完成情况选择算法执行步骤,如果移动机器人能达到最终目标点,结束该算法,否则移动机器人再重回初始路径,直至到达最终目标点。仿真比较实验证明,改进算法无论在收敛速度还是路径规划精确度方面都有明显提升。     

基于B-RRT*FND算法的移动机器人路径规划

针对RRT*FN算法获取路径解的速度慢,且无法应用于动态环境等问题,提出固定节点数的动态双向渐近最优快速随机扩展树算法(bidrectional RRT* fix-node dynamic, B-RRT*FND),用于解决移动机器人在二维空间内快速实时获取无碰撞路径的问题.所提出算法基于RRT*FN算法,采用双向贪婪搜索方法加快路径搜索速度,解决单向RRT算法由于随机采样的盲目性造成的搜索速度慢、在狭窄环境下难以搜索到解的问题;利用固定节点算法在规划过程中不占用过多计算量的特点,在路径迭代优化过程中,实时更新地图信息,并对被破坏的原始路径进行修复重连,以完成算法的动态规划.将所提出算法与RRT、RRT*FN等算法在3种环境下进行对比仿真,验证结果表明,所提出算法在规划速度、路径解长度以及动态规划性能方面具有较好效果.     

机器人路径规划研究

机器人路径规划是在有障碍物的工作空间中寻求一条安全无障的最优路径,是当前机器人研究领域的热点问题,是实现机器人自主导航和完成复杂任务的关键技术之一。在对智能路径规划方法研究的基础上,提出了基于人工免疫算法的机器人路径规划,并对免疫算法进行了详细设计。仿真结果表明,人工免疫算法可以很好地规划出恰当的路径,收敛速度快,规划效果好,较好地验证了所提出方法的正确性和有效性。