基于A*算法和人工势场法的移动机器人路径规划

针对复杂非结构化环境下移动机器人的路径规划问题,提出了将全局与局部规划算法相融合的路径规划方法。首先,对传统A*方法进行了有效的改进,新的A*算法能够完成机器人的路径规划任务,利用二次A*搜索方法得到了优化后的路径点,缩短了移动机器人的行驶路径。进一步,动态切点法可以有效地对已规划路径进行平滑处理;然后,综合考虑路径和环境的情况,采用改进的人工势场方法对移动机器人进行了局部路径规划,通过增设虚拟子目标的方法解决局部极小值问题,利用自适应步长调节算法对移动机器人的步长进行了动态优化;最后,针对不同场景,利用数值仿真将该算法与传统算法进行比较,结果表明该算法在不同环境路径规划的问题上具有一定的先进性和优越性。     

基于ARM的移动机器人路径规划控制算法研究

针对人工势场法在移动机器人路径规划中存在的"死锁"现象,建立了改进的人工势场数学模型,实现底层实时控制;通过膨胀和腐蚀操作,对图像进行二值预处理,采取全局空白搜索方法,使移动机器人远离局部最小值,形成平滑无碰撞路径。结合移动机器人实体本身运动特点,选用ARM处理器的控制模式,规划各层算法优先级高低,设计移动机器人路径规划控制算法。通过对比实验表明,该算法能够较好地满足复杂环境下移动机器人路径规划中的有效性、实时性和环境适应性的要求。     

基于改进Voronoi图的移动机器人在线路径规划

针对移动机器人在部分环境信息已知下的路径规划问题,运用Voronoi图理论及动态路径最优算法(D*算法)理论,研究了一种基于传感器信息的移动机器人在线路径规划的方法.该方法利用现有的已知环境信息离线生成路图,并根据起点与终点的位置规划出一条无碰撞的全局最优路径,然后移动机器人沿着最优路径前进,安装在机器人上的传感器不断地探测环境新信息以在线完成路图的重构及路径的重规划,实时搜索一条全局最优路径.最后,通过在自制的小车平台上的实验证明方法的可行性.     

基于蚁群算法的移动机器人路径规划研究

针对蚁群算法的特点,把蚁群算法应用到移动机器人的路径规划中,在Matlab中建立移动机器人仿真系统,运用格栅法创建移动机器人的工作环境,设置蚁群算法中的参数,运行程序得出了移动机器人的运动轨迹,得到了蚁群从起始点运动目标点的最优路径。仿真结果表明,蚁群算法能够准确得到移动机器人的最优路径,在移动机器人的路径规划中具有很好的实用性。     

动态环境下基于断点的移动机器人路径再规划研究

动态环境下,障碍物破坏移动机器人的工作路径。为了研究移动机器人的路径再规划问题,先采用自由空间法建立移动机器人动态工作环境下的二维定量网络模型,再根据原有工作路径和网络模型,从原有工作路径的正向和反向搜索,找出原有工作路径的正向和反向断点。利用回溯法和DUkstra算法搜索出断点之间的路径,通过连接正向断点之前的路径、断点之间的路径和反向断点之后的路径来实现路径再规划。     

基于Floyd算法的移动机器人最短路径规划研究

最短路径规划是一种点对点的路径规划方式,移动机器人最短路径规划研究即是实现始点和终点间最短路径规划问题的研究.首先采用栅格地图的方式对移动机器人工作环境建模,在建模的基础上,以垂线法方式选择移动机器人路径中的关键节点,确定关键节点的位置和权值关系,并根据所选节点,基于Floyd算法进行移动机器人的最短路径规划,以及对规划的路径算法进行简化改进,通过实验证明,改进的Floyd算法能实现移动机器人路径的最短和用时的相对减少.     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

基于双层A*算法的移动机器人路径规划

移动机器人导航控制理论和方法的研究,是决定智能移动机器人能否真正实现自主化、智能化的关键,一直以来也是机器人技术领域研究的重点和热点。A*算法作为一种比较成功的算法应用在了机器人的路径寻优和规划方面,但由于A*算法本身的计算特点决定,在栅格环境下A*算法规划出的移动机器人路径往往存在着折线多、转折次数多、累计转折角度大等问题。针对A*算法的缺点和不足,在其基础上,提出了一种双层A*算法,该算法将栅格地图分为高层栅格地图和低层栅格地图,对栅格地图进行了"局部合并地图"的构建,在算法中加入了栅格占据概率函数,通过低层与高层算法相结合得到最优路径。仿真结果表明在很大程度上解决了A*算法存在的问题,使移动机器人能够在复杂环境下应用该算法进行路径规划。     

一种移动机器人的路径规划算法研究

针对移动机器人路径规划过程中存在易陷入局部最优、规划质量差和规划效率低等问题,提出一种结合入侵杂草算法和NURBS算法的混合路径规划方法。首先,根据路径规划要求建立目标函数,并将规划问题转化为函数最小值求解问题。然后,利用目标函数来指导入侵杂草算法寻找安全可行的路径点,接着将NURBS算法作为局部路径优化算子光滑处理路径,缩短路径长度。最后,在仿真环境下进行对比分析。结果表明,该方法相比于传统的入侵杂草算法在路径质量和效率上均有所提高,对实际移动机器人路径规划研究具有较高指导作用。     

基于模糊推理技术PSO算法的 机器人路径规划研究

针对移动机器人路径规划质量不高的问题,对环境建模、适应度函数建立、算法选择等方面进行了研究归纳,提出了一种基于模糊推理技术PSO算法的路径规划方法。首先,对障碍物进行了扩展处理,通过坐标系转换建立了简化的环境模型;其次,在分析传统PSO算法采用定值的惯性因子ω和学习因子c_1、c_2取值对算法性能影响的基础上,提出了改进的PSO算法,采用模糊推理技术自适应地动态调整c_1、c_2;最后,将改进PSO算法应用于提高移动机器人路径规划中。研究结果表明:相对于传统PSO与APSO算法路径规划,改进算法在复杂环境下路径长度、平滑度、运行时间方面分别最少提高了17%、14%、7%,验证了算法在路径规划方面的可行性与高效性。