移动机器人路径规划方法研究

路径规划技术是智能移动机器人研究领域的一项关键技术。文章首先阐述了移动机器人路径规划的概念并介绍了当前的国内外研究发展状况;然后分别从传统路径规划和现代路径规划两个方面对路径规划方法展开了研究;最后以A*算法和蚁群算法为例进行了MATLAB仿真实验,对今后路径规划的研究具有一定的参考意义。     

基于ROS平台机器人导航避障系统设计与开发

基于ROS工业机器人开源平台,应用C++语言进行了移动机器人导航避障系统的设计与开发。选用激光雷达作为位置传感器,融合视觉里程计、轮式里程计和IMU里程计三大里程计数据,采用传统定位与SLAM算法创建地图,应用AMCL算法准确确定移动机器人位置;对移动机器人使用A~*算法进行全局路径规划、DWA算法进行局部路径规划,并且使用模糊BUG2算法作为核心算法实现局部避障器融入ROS规划系统中,应用C++语言开发程序,在移动机器人Robotino在地图上的两个点进行导航和避障测试。结果表明,只要合理设置机器人和障碍物之间相对运动速度,机器人可以规划出一条躲避缓慢移动障碍物、全局较优路径。     

A~*算法在移动机器人路径规划中的应用

采用A*算法对已知环境中的移动机器人路径规划问题进行研究。利用栅格法建立环境模型,然后对节点的选择进行分析,最后通过MATLAB仿真。仿真结果表明算法能找到一条从起点到终点的较优路径,验证了算法的有效性。     

基于SLAM的校园配送AGV地图构建及路径规划研究

随着无人配送的推广与应用，自动导引运输车（AGV）的导航方法成为了研究的热点。主要针对校园配送AGV的地图构建和路径规划展开研究，地图构建由即时定位与地图构建（SLAM）来实现，路径规划则根据已构建好的地图，在点与点之间计算好最优路线。采用基于LOAM的算法，将SLAM问题分为高频的运动估计和低频的环境建图。在运动估计中通过曲率计算提取平面点和边缘点两种特征，采用scan-to-scan方式进行特征匹配，并建立误差模型。在环境建图中采用map-to-map方式匹配，运用PCA算法提取点云中的特征点，利用LM算法来求解。再结合A*算法和DWA算法获得最优路径，并提高了对环境的适应能力。实验结果表明，提供的地图构建及路径规划方法能够满足AGV在校园环境多种不同模拟场景中的定位导航需求，具有一定的可行性和可靠性。     

四轮全向移动机器人的路径规划研究

针对规则环境下的移动机器人可以自主运动，所提出的四轮全向移动机器人研究。以四轮全向移动机器人为研究对象，通过系统建模分析麦克纳姆轮的运动学方程，基于ROS自主导航的设计和算法的优化，对移动机器人的同步定位与地图构建（SLAM）以及路径规划展开研究，实验表明四轮全向移动机器人可以进行自主运动，在实际应用方面具有一定的参考价值。     

室内移动机器人导航系统研究与实现

实现了一种低成本高性能室内移动机器人导航系统。针对 Cartographer 算法使用激光雷达数据在室内 Long-Corridor 场景下建图的局部匹配错误导致定位不准的问题,使用扩展卡尔曼滤波融合激光雷达、里程计和惯性测量单元 3 种数据进行位姿估计,得到较为精准的定位,可有效提高建图精度;针对传统 AMCL 算法重定位耗时长的问题,采用基于扫描匹配的重定位方法,通过将当前 Scan 与 Submap 进行匹配,降低了扫描匹配方法的重定位耗时;针对 A * 全局规划算法路径搜索时间长、拐点较多的问题,提出一种改进 A * 算法,通过优化启发函数和增加拐角优化函数,缩短了算法搜索时间,同时去除了冗余拐点。结果表明,重定位耗时减少 80.43% ,改进 A * 算法搜索时间减少 22.79% 。     

融合改进蚁群和DWA的移动机器人路径规划

针对传统蚁群算法搜索时间长、易陷入局部最优且动态规划能力弱等缺陷,提出一种融合改进蚁群和动态窗口算法（DWA,Dynamic Window Approach）的路径规划方法,解决移动机器人全局路径优化以及局部动态避障路径规划问题。在分析传统蚁群算法路径规划原理及优缺点的基础上,通过引入初始栅格转移规则、改变信息素更新方式、删除冗余节点、圆切障碍顶点等方法,提高蚁群算法的收敛速度、规划路径的平滑度以及安全可靠度;进一步在改进蚁群算法中引入DWA进行局部路径规划,实现机器人的动态避障。对比仿真结果表明,所提改进算法在路径长度、迭代次数、收敛时间以及路径平滑度、安全可靠度等性能指标上较传统算法均有所提高。     

基于平滑A*算法的6×6轮式车最优路径规划

针对传统A*算法规划的路径并非最优路径,存在转折次数多、折线多、长度大、不易于移动机器人的运动控制及路径跟踪,本文提出了一种在栅格化环境中,基于平滑A*算法的最优路径规划方法.首先采用A*算法生成目标序列点,除去初始节点,依次屏蔽每个子结点,进行多次搜索比较,选择最短路径序列点,然后循环遍历路径中的所有点,当某一节点前后节点之间的连线不存在障碍物时,删除中间节点,并采用对称极多项式曲线对路径转折处进行平滑处理.该方法生成的路径最短且平滑,易于实现移动机器人运动控制及路径跟踪.仿真结果表明了该算法的有效性.     

基于改进蚁群算法的移动机器人全局路径规划方法研究

针对基本蚁群算法在移动机器人全局路径规划中收敛速度慢,易陷入局部最优解的问题,提出一种改进的蚁群算法。将A*算法的根据目标点自适应调整启发函数的思想应用于蚁群算法中,增加目标点对启发函数的影响;改进状态选择策略,增加解的多样性;混合使用多种信息素分配机制,提高算法的收敛速度。通过布置相同的路径搜索条件,在MATLAB语言环境下进行仿真分析,验证了改进的算法是可行有效的。     

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。     

基于具有墙角信息的语义地图改进AMCL重定位算法

针对原始自适应蒙特卡洛定位（Adaptive monte carlo localization,AMCL）算法仅利用激光信息存在的缺陷,提出一种基于激光与视觉融合的语义地图进行全局定位,该语义地图融合基于深度学习的目标检测方法提取环境中的墙角语义;利用建立的包含墙角信息的二维语义栅格地图,结合视觉预定位方法及角点周围语义信息表来提高算法全局初始定位的效率和准确性,使得移动机器人可以在少量先验信息和运动的情况下更迅速地实现定位。提出视觉预定位的方法,改进了粒子权重更新方式,再同步结合AMCL算法与环境地图匹配进行精定位。最后通过搭建的移动机器人在不同场景下进行对比试验,验证了该方法的有效性。     

适于双轮差速机器人运动的光滑A算法

在智能移动机器人的定位和导航系统中,路径规划是其中的核心问题。传统的A*算法是一种基于栅格的最小路径方法,通过这种方法得到的路径与实际中的最小路径相比,存在路径长、多拐点、不平滑等缺点,不利于双轮差速机器人的运动。在这里,利用Floyd算法将A*算法进行优化,缩短A*算法得到路径的长度,降低A*算法的拐点,利用圆弧平滑方法将拐点处进行光滑处理,最终得到一条适合双轮差速机器人的行驶路线,降低路径长度约4%~10%,减少累计转折次数约66%~80%。     

基于改进A^*势场法的机器人动态路径规划研究

针对人工势场法在路径规划中出现的目标点不可达、转折次数多及路线较长的问题,提出了一种动态环境下移动机器人全局路径规划的改进A^*势场算法。首先采用A^*算法在已知静态环境中进行全局最优路径规划,当移动机器人进入动态障碍物影响范围ρ0时,引入相对速度势场对人工势场法进行改进,进行局部动态路径规划,追踪沿A*路径运动的虚拟动态目标直至回到原路径,完成到达目标点的路径规划。将该算法与人工势场法通过MATLAB进行路径规划仿真比对,结果验证了该算法的可行性,并且有效减少了路径的震荡和累计转角,同时明显缩短了全局路径距离。     

未知环境中基于强化学习的移动机器人路径规划

为解决未知环境中移动机器人的自适应路径规划问题,提出了一种基于Q学习算法的自主学习方法。首先设计了未知环境中基于传感器信息的移动机器人自主路径规划的学习框架,并建立了学习算法中各要素的数学模型;然后利用模糊逻辑方法解决了连续状态空间的泛化问题,有效地降低了Q值表的维数,加快了算法的学习速度;最后在不同障碍环境中对基于Q学习算法的自主学习方法进行了仿真实验,仿真实验中移动机器人通过自主学习较好地完成了自适应路径规划。研究结果证明了该自主学习方法的有效性。     

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。     

基于改进型DWA的移动机器人避障路径规划

针对传统动态窗口法(DWA)中存在的绕行于稠密障碍物区外侧,造成总路程增加,遇见距离相近障碍物构成的“C”形障碍物组合而陷入评价函数失灵等问题,提出了基于改进型DWA的移动机器人避障路径规划.首先,基于本文提出的关键航迹点的概念,提取出A*全局规划路径轨迹中的关键航迹点;然后,以关键航迹点到待评价轨迹的距离作为依据,定...     

一种移动机器人全局路径规划新方法

针对移动机器人全局路径规划优化问题,本文提出一种采用栅格法进行建模,以分层搜索为核心思想的新搜索方法,该方法在外层采用A*算法将复杂的图元模糊化以简化环境,内层则采用人工势场算法将具体的栅格还原以解模糊,具有一定的理论意义与应用前景。仿真实验表明,该方法能达到较好的路径规划效率和实时性。     

自学习移动机器人在未知环境中的路径规划

通过对移动机器人在未知环境中的运动分析,结合多传感器信息,利用一种新的移动机器人在未知环境中的定位算法。该算法可根据移动机器人的运动过程。不断更新其位置状态。并能对下一步位置状态进行预估计。然后根据实测传感器信息对预估值进行修正。获得实际位置状态。并为移动机器人的路径规划提供基础。容纳后用遗传算法来获得机器人的最佳路径,最后用仿真试验验证了该方法的可行性。     

轮式智能车动-静随机障碍物避障研究

针对智能车传统 A ∗ 算法存在拐点较多,不平滑,易发生碰撞问题,提出一种 A ∗ 与 DWA 融合改进随机避障方法。 在 A ∗ 优化算法中通过计算节点间斜率,选择关键节点,剔除冗余节点,改进了评价函数,提高 A ∗ 算法速度和路径平滑性。 针对 A ∗ 优化 算法无法规避随机障碍物及 DWA 算法存在速度与安全不兼顾问题,提出一种兼顾速度与安全性的优化 DWA 自适应算法。 在每 两个优化关键节点间采用自适应动态窗口法进行局部规避随机动-静态障碍物,使智能车自主、平滑、安全、高效规避障碍。 实验 显示:本文算法与 A ∗ 、Dijkstra、改进 A ∗ 与基本 DWA 融合算法相比,在 3 种环境下全局路径长度、拐点数、时间平均降低 2. 9% 、 36. 2% 、24. 7% ;2. 9% 、40. 7% 、30. 9% ;0. 31% 、23. 8% 、13. 6% ,能够实现随机避障且路径平滑,验证了本算法的有效性。     

工业机器人圆周铺料路径规划研究

针对工业机器人圆周铺料作业需求,研究了现有的避障路径规划方法。分析了末端操作手在凹形障碍物中的自由运动空间,改进了A*算法的估价函数,设计了关于姿态角的估计路径耗费,并将估价函数引入RRT算法中,同时提出了基于RRT思想的A*算法。最后,通过仿真实验验证了改进后算法的可行性,并对比了各算法的执行效率。