基于光节点模型的PRM路径规划优化算法研究

针对移动机器人存在的使用传统概率路线图算法(probabilistic roadmap, PRM)经过狭窄空间规划路径无解的问题,本文主要对一种模拟光照节点模型的PRM路径规划优化算法进行研究。采用光照方法,将每个节点视为光源,在未照亮的区域生成随机节点,直至光照区域能将起始点和目标点连通,生成无向有权图的边,为了测试优化PRM算法的性能,将其与传统PRM算法进行仿真测试。仿真结果表明,与传统PRM算法相比,优化后的算法可使移动机器人经过狭窄直线通道时采用较少的随机采样点,并且在较短时间内找到一条可行路径。该优化算法减少了路径中的节点数量,提高了路径平滑度和程序运行效率,解决传统PRM算法路径规划无解的问题,缩短了在狭窄直线地图中规划路径的时间,提高了程序运行效率。该研究具有广泛的应用前景。     

基于改进人工鱼群算法的蠕虫机器人路径规划

针对人工鱼群算法在机器人路径规划中存在路径长、精度不高、易陷入局部最优等问题,提出了一种改进的人工鱼群算法,旨在提高算法效率及精度。首先,在算法觅食行为中加入寻优循环,减少算法在路径规划中选取位置点的随机性,使机器人能够更快地走向目标点;其次,融合禁忌搜索算法,通过引入禁忌表来记录算法陷入局部最优的路径,使算法在选取新位置点时能够避开局部最优区域,避免算法在局部过度循环,同时对规划出的路径进行优化处理,删去重复栅格点之间的路径,保证路径中没有重复的栅格点;最后,将改进后的人工鱼群算法应用在一种新型的三维栅格地图中。实验结果表明：相较于其他对比算法,在地图1、2、3中改进人工鱼群算法所取得的平均路径长度分别减少了10%、15%、30%,在复杂地图中路径规划的成功率提高了75%。     

基于改进蚁群算法的智能车路径优化

用于自动泊车领域的AGV小车载质量大,对移动轨迹的平滑性与行走距离有更高要求。针对传统蚁群算法易死锁、囤余节点多与转向幅度不可控等问题,提出了一种改进蚁群算法。首先,在算法正式开始迭代前使用地图补偿函数对地图进行优化,降低死锁概率;其次,在对地图优化处理后,对地图进行了信息素浓度初始化,加快了算法收敛速度;最后,通过调整路径生成逻辑,实现算法自适应调整步长,提高了路径的平滑性,减少转向摆动。仿真结果表明：改进后的算法死锁现象减少,收敛速度更快,所生成的路径转向平滑,囤余节点数与总路径长度降低。     

基于改进SARSA(λ)移动机器人路径规划

在机器人选择下一点坐标时,分别计算周围格子到达概率以及所受合力。记录机器人每轮到达终点所经路径总距离,将全局最优距离值与机器人到达终点所得奖励值相关,并进行加权更新Q值。仿真结果表明,采用该算法机器人到达目标点用时减少了85%,路径总长度平均缩短22%。     

计算机兵棋越野机动路径网络模型研究

本文介绍了计算机兵棋越野机动路径网络模型中四角格(四方向)、四角格(八方向)和六角格这三种不同样式兵棋地图的机动模型,然后就Dijkstra算法和A*算法进行了比较.用单位面积可行路径数量和路径规划效率这两个指标对三种样式兵棋地图的机动模型和两种路径规划算法进行了实验分析.     

基于聚集—置换策略的机器人路径规划方法

为了改善机器人路径规划中遗传算法搜索能力不足、易陷入局部最优等问题,对静态环境下移动机器人路径规划进行研究,基于进化算法提出一种聚集—置换策略的路径规划新方法(ARGA)。该算法首先综合考虑长度、角度和能耗等因素,提出一种新的适应度函数。然后,提出了一种聚集—置换策略的路径更新方法,利用聚集策略引导算法向每次迭代过程的最优个体逼近;通过置换策略,避免算法陷入局部最优。实验结果表明,提出的方法与现有方法相比生成的路径更加平滑,规划时间平均减少29%,冗余路径点平均减少26%,长度平均缩短28%,生成的路径更好地平衡了距离和能耗代价,所提出的方法能够大幅度提升遗传算法的搜索能力和收敛速度。     

基于改进蚁群粒子群算法的移动机器人路径规划

全局静态地图下,针对蚁群算法规划机器人移动路径时存在计算时间长、搜索效率低,并且得到的优化路径转弯次数过多的问题,提出了一种改进蚁群粒子群算法：首先利用粒子群算法快速得到蚁群算法初始信息素,然后进行蚁群算法路径规划,对得到的路径采用惯性优化,对每个节点进行遍历,当 ２个节点间的路径上无障碍物时,将中间节点删除,转换为优化路径。仿真实验表明,该方法与传统蚁群算法及相关改进算法相比,能有效减少迭代次数、提高搜索效率、减少转弯次数、缩短路径长度,从而提高路径质量。     

A~＊路径规划算法的改进及实现

针对A＊算法在路径规划过程中因遍历节点多而导致搜索时间长和路径规划距离长的问题,对A＊算法进行了改进.改进算法采用两点间的欧氏距离作为估价函数,并以前向搜索和后向搜索交替进行的方式来减少路径规划时间.仿真结果表明,改进算法在搜索时间和距离上分别比A＊算法减少了0.0184s和42m,在搜索得到的路径长度和算法运行时间上明显优于A＊算法.     

基于A*算法在蜂巢栅格地图中的路径规划研究

为了提高栅格地图中路径规划的质量和效率,研究了采用不同类型的栅格建立栅格地图的方法,并分析了在相同环境、相同路径规划算法的情况下,不同类型栅格对最终规划路径的影响.仿真结果表明,采用正六边形栅格(蜂巢栅格)的栅格地图相比于传统栅格的栅格地图(如正方形栅格地图、菱形栅格地图和三角形栅格地图)在障碍物信息描述方面更具有优势,规划出的路径长度最短,效率较高.     

改进RRT移动机器人路径规划算法

以RRT算法规划路径过程中碰撞检测函数得到的碰撞点坐标作为人工势场法中的障碍物坐标,在树枝扩展函数中引入向合力方向移动机制,再从目标点向起始点搜索最终路径的过程中加入"改线"机制。仿真实验表明,改进算法较传统RRT算法得出的路径长度减少了16%,采样点减少了74%。     

一种基于特征点的移动机器人路径规划算法

目的 提出一种基于障碍物特征点的移动机器人全局路径规划算法,克服传统全局路径规划算法信息存储量大,计算量大,规划速度慢的缺点.方法 通过膨胀原理建立环境地图,只记录障碍物的特征点,减少了算法信息的存储量.然后采用最大最小原则,逐步搜索子目标点,最终到达目标.结果 该算法能以最小的距离代价逐步绕过当前距离机器人最近的障碍物.并能保证搜索到的路径是安全有效的.结论 笔者所提算法简单,计算量小,仿真实验验证了算法的有效性.     

基于优化Q-learning算法的机器人路径规划

针对传统Q-learning算法在路径规划中存在收敛速度慢、难以平衡探索与利用的关系等问题,采用改进后的势场对Q-learning算法的Q表初值进行优化,引入多步长策略减少算法的迭代次数和路径中的拐点个数,加入动态调节贪婪因子平衡探索与利用的关系。仿真结果证明,与Q-learnig算法相比,改进后的IMD-Q-learnig算法可将最优路径长度缩短79.09%,拐点个数减少46.67%,算法效率提升88.40%。     

动态环境中机器人路径规划算法研究

针对自主移动机器人在未知动态环境中的路径规划问题,提出了一种改进的概率地图算法,详细描述了经过改进的自适应概率地图算法（flexible adaptive probabilistic roadmap method,FAPRM）的实现步骤,该算法可以显著地提高自主移动机器人的路径质量,讨论了自适应概率地图算法和传统概率地图算法在动态路径规划中的优缺点,并进行了仿真,改进后的自适应概率地图算法可以有效地在动态环境中重新计算路径。     

基于概率地图的工业机器人路径搜索优化算法

为解决机器人在装配、焊接、喷涂等工业生产中的路径规划调试时间长、效率低等问题,提出一种新的基于概率地图的路径搜索优化算法。该算法首先利用混合包围体层次树碰撞检测算法的优势,在每两个采样位姿点间选出无碰撞的局部路径;然后,在获取始末点位姿信息后,引入A*算法搜索全局路径;最后采用提出的路径优化算法对搜索得到的全局路径进行优化。以此实现只需给出运动初始点与目标点,算法就能自动搜索出一条无碰撞的全局优化路径。仿真和机器人实体实验表明该算法适用于工业机器人的路径搜索,所得机器人运动路径简短,并有效地避开障碍物。     

基于支持向量机的局部路径规划算法

针对在非结构化道路环境下地面自主车辆的路径规划问题,本文提出了一种基于64激光雷达以及支持向量机的局部路径规划算法。利用非线性支持向量机分类器在栅格地图上提取出安全的路径;并在多帧投影数据上使用RANSAC算法提取出路径,并使用三次多项式进行描述,从而计算出道路曲率;结合地面自主车辆自身状态在RANSAC路径上选取控制点,并使用贝塞尔曲线拟合出最终路径。该算法能够有效地从局部栅格地图中提取道路,以弥补基于视觉的道路检测算法在受到恶劣光照、天气影响时的不足。通过实车试验验证了所提出的方法的有效性和正确性。     

基于改进A~*算法的仿生机器鱼全局路径规划

针对传统A*算法搜索速度慢和规划路径不够优化的缺点,引入可扩展节点,对A*算法流程进行改进,以减少时间和空间复杂度,提高搜索效率,并对规划路径进行优化处理,以有效的缩短路径。对存在凹形障碍物的地图,采用后退—尝试的方法解决路径规划的失败问题,使之绕过凹形障碍物取向目标点,达到输出最短路径的目标。     

基于DGSOM_A*的移动机器人地图创建和路径规划

针对移动机器人未知环境路径规划问题,基于动态自组织特征映射网络提出了一种自组织网络动态生成A*的算法(dynamic growing self-organizing map with A*,DGSOM_A*),并将其应用于移动机器人地图创建和路径规划.该方法利用Mobotsim二维仿真软件构造了环境模型,机器人通过无碰自由巡航获取环境信息,然后把上一步得到的环境信息作为DGSOM_A*算法样本通过SOM神经元自主生长进行地图创建,生成以少数SOM图神经元分布描述环境特征信息的拓扑地图,最后完成起始点到目标点的导航任务.实验结果表明,相比传统的SOM算法,基于DGSOM_A*算法机器人能有效地通过对环境地图的绘制熟悉复杂环境并能实现最优路径选取.     

基于优化型蚁群算法在多机协同作战下的路径规划

针对地面无人平台协同作战时路径规划问题,提出了一种优化型的蚁群算法以寻求战时最佳进攻路线.通过优化传统蚁群算法,模拟了单平台的路径规划并获得各参数的稳定值,进而将其结果拓展到多机协同作战模式下,以获得各平台由起始点到目标点的最优路径.为更加真实地体现出战场环境,在路径规划中提出了战术规避的策略并在2种不同环境模型下验证了算法的实用性.结果表明,优化型蚁群算法相比于传统蚁群算法在迭代次数方面提高了64.2%,搜索路径长度方面提高了57.5%.     

基于融合改进双向RRT与人工势场法路径规划

由于快速扩展随机树(RRT)算法在路径规划中存在速度慢,计算量大和效率低等问题,提出一种双向快速扩展随机树(RRT)算法与人工势场法(APF)相结合的路径规划。首先,利用人工势场法(APF)进行局部路径规划,提供运动路径。其次,使用改进的快速扩展随机树算法选择临时目标点,用以解决路径规划时陷入最小值的问题,将人工势场法(APF)引入双向RRT算法中。将局部路径规划与全局路径规划相结合,缩短运行时间和路径长度,基于仿真实验表明,该方法在运行时间、路径长度和迭代次数等方面都得到显著提高。     

基于视觉的移动机器人实时避障和导航

阐述了移动机器人通过视觉传感器在不确定的环境中实现自主避障和导航的一种方法，首先讨论了路径规划的分层结构，然后通过简单的图像处理方法获取运动环境中的避碰点，最后给出机器人实现局部路径规划的算法，该方法有效地利用了全局环境地图和视觉信息。减少了计算量，提高实时性，通过仿真研究说明了该算法的有效性和可行性。