基于理论最短距离变权重A*算法的路径规划

在栅格化的障碍物地图中,将简单高效的A*算法引入解决路径规划问题。为了提高路径规划效率,减少搜索节点数量,提出了一种在规定的椭圆区域内,基于理论最短距离动态改变A*算法中估价函数权重的最短路径算法。该算法将搜索范围限定在规定的椭圆区域内,椭圆以起点和终点为焦点,利用统计分析与路径中障碍物尺寸相结合的方法计算长轴参数。将各节点实际代价权重赋予动态变化的权值,以实际代价与起点 到终点 的直线距离的比值为该点权重,且规定了上下限以保证搜索精度。同时,对节点估计代价赋予惩罚函数,远离理论最短路径距离的节点将获得较大的惩罚值,使最终路径靠近理论最短路径。通过仿真实验证明,该算法在保证搜索精度的前提下,大大提高了搜索效率。     

交通网络限制搜索区域时间最短路径算法

在基于四叉堆优先级队列的改进型Ｄｉｊｋｓｔｒａ 最短路径算法的基础上,进一步提出了利用交通网络的空间分布及方位特征构造限制区域的时间最短路径算法。在对城市交通网络空间分布特征进行统计分析的基础上,针对具体的起、终节点,设定合理的椭圆限制搜索区域,以减少算法的搜索规模。针对椭圆限制搜索区域算法由于计算量大而效率不高的弱点,提出了矩形限制搜索区域算法,达到既减小算法搜索规模,又提高算法运行效率的目的。试验结果显示了本文提出的限制搜索区域算法的合理性与有效性     

基于A*改进算法的四向移动机器人路径搜索研究

在由栅格法构建的环境地图中,利用A*算法进行路径搜索时存在搜索范围广、搜索速度慢、路径曲折等问题.针对栅格地图及具有四向移动机器人的特点,从搜索方向、启发函数构建、机器人加减速以及转向成本等几个方面对A*算法进行研究和改进,提出一种基于启发信息的扩展节点算法,降低偏离最佳路径节点的扩展数量.改进后的A*算法平均可降低67.1%的搜索面积、49.2%的计算时长、24.9%的路径成本及减少51.1%的转向次数,提高了路径的搜索速度和平滑度.     

基于选择交叉烟花算法的无人车路径规划

在三维地形环境下,基本烟花算法进行路径规划时易陷入局部最优解且存在收敛速度慢的问题,为此,提出选择交叉烟花算法。利用栅格法构建三维地形环境并设置威胁区域,使无人车选择合适的节点进行路径探索,结合燃耗代价、平滑代价和威胁代价构建适应度函数,以约束路径节点的生成位置,确保规划出的路径平滑且远离威胁区域。通过基本烟花算法的爆炸、变异、映射和选择操作进行路径搜索,同时加入针对路径节点的轮盘选择操作,使偏离原始路径较远的节点具有更高的爆炸概率,以约束路径的搜索方向,从而加快算法的搜索速度。在此基础上,引入选择交叉火花,通过对轮盘选择后节点间的路径片段进行交叉,以增强种群中烟花之间信息的交互性,提高搜索全局最优解的性能。仿真结果表明,相比基本烟花算法,该算法在简单和复杂地形环境下的适应度值平均提高6%,且运行时间平均缩短13.5%。在各类地形环境下,无人车通过该算法能有效规避威胁区域,并在较短时间内寻找到更加平滑且燃耗更低的路径。     

融合改进A*与DWA算法的机器人动态路径规划

传统A*算法是移动机器人全局路径规划的常用算法之一,但是算法搜索效率低、规划路径转折点多、面对复杂环境中随机出现的动态障碍物无法实现动态路径规划。针对这些问题,在考虑全局最优的基础上将改进A*与DWA算法融合,量化环境中的障碍物信息,根据此信息调节A*算法启发函数的权重,提高算法的效率和灵活性。基于Floyd算法思想设计路径节点优化算法,删除冗余节点,减少转折,提高路径平滑度。基于全局最优设计DWA算法的动态窗口评价函数,用于区分已知障碍物和未知动态、静态障碍物,提取改进A*算法规划路径的关键点作为DWA算法的临时目标点,在全局最优的基础上实现了改进A*与DWA算法融合。实验结果表明,在复杂环境中,融合算法规划路径既能保证全局最优,又能及时有效地躲避环境中出现的动静态障碍物,实现复杂环境中的动态路径规划。     

交通网络限制搜索区域时间最短路径算法

在基于四叉堆优先级队列的改进型Ｄｉｊｋｓｔｒａ最短路径算法的基础上,进一步提出了利用交通网络的空间分布及方位特征构造限制区域的时间最短路径算法。在对城市交通网络空间分布特征进行统计分析的基础上,针对具体的起,终节点,设定合理的椭圆限制搜索区域,以减少算法的搜索规模。     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

动态环境下多重A*算法的机器人路径规划方法

传统的A*算法仅适用于全局的静态环境,在求解路径规划问题时存在搜索效率低,路径不平滑等不足。针对这些问题,进行了以下改进：优化全局路径节点,引入删除冗余点准则与新增节点准则,使得全局路径更加平滑,更符合机器人运动学规律;结合滚动窗口法的思想,在每个滚动窗口内进行局部路径规划,首先根据前一步的节点信息确定局部子目标区域,然后在局部子目标区域内引入避障控制策略进行实时避障。最后通过Matlab软件建立多种栅格地图仿真,从路径轨迹的平滑度、搜索效率与局部规划能力方面将改进后的算法与原算法进行对比,并在动态环境下进行仿真分析,仿真结果表明改进后算法拥有良好局部规划能力,且路径轨迹更加平滑,在复杂环境下搜索效率更高。     

基于动态变采样区域RRT的无人车路径规划

针对无人车传统RRT路径规划算法节点搜索盲目性、随机性以及路径曲折不连续等问题,提出一种动态变采样区域RRT路径规划算法(dynamic variable sampling area RRT, DVSA-RRT).首先,初始化地图信息,根据动态变采样区域公式划分采样空间,进而选择采样区域;在此基础上,利用基于安全距离的碰撞检测、概率目标偏置策略和多级步长扩展完成初始路径规划;最后,利用考虑最大转角约束的逆向寻优和3次B样条曲线对初始路径进行拟合优化.仿真结果表明,该算法相较于原始RRT算法在不同地图环境下的搜索时间和采样次数均降低50%以上,大大降低了节点搜索的盲目性和随机性,相较于其他算法搜索时间也减少30%以上,且优化后的路径平滑满足车辆运动动力学约束.     

路网信息不完备条件下的动态最短路搜索

针对路网信息不完备性、路网结构特征和驾驶员习惯等因素,研究最短路搜索问题。提出以全局规划和局部规划相结合的动态最短路混合规划方法：全局规划中,基于参数d/l（起终点距离d与平均路段长度l之比）,确定路径搜索区域的椭圆方程,运用Dijkstra算法生成静态的全局最短路径;局部规划中,结合路网结构特征、突发事件影响范围,提出改进Bug算法,以避免车辆进入全局最短路径上发生的紧急事件或严重堵塞区域,实现动态诱导。仿真实验结果表明,混合规划方法能在路网信息不完备条件下实现最短路径动态诱导,有效避开拥堵区域。     

改进的基于元胞自动机扩展模型的图的最短路径算法

在基于元胞自动机单源点到单节点图的最短路算法的基础之上,通过改进控制演化的终止条件和记录演化过程中的路径信息,提出了单源点到多节点的元胞自动机扩展模型求解图的最短路算法模型，将该算法应用于城市道路交通网的实证研究之中,可以得到路段上任意两端点之间的最短路径及路权。     

基于改进A*算法的移动机器人路径规划

针对A*算法在路径规划中存在遍历节点数过多、转折角度较大的问题,提出一种能自适应场景地图的改进A*算法。通过量化地图场景信息和障碍物分布情况,引入父节点对当前节点的影响力,增加障碍物分布率的启发函数权重,减少遍历节点数量、提高搜索速度;加入转弯惩罚函数、扩展邻域优先级搜索和冗余节点平滑策略对路径进一步优化,避免路径出现多余转弯,降低路径出现局部最优解的可能。在相同地图场景中进行测试对比,所提算法能有效减少遍历节点数量,降低总转折角度,提高搜索速度,缩短路径距离,获得最优路径。     

基于A*的双向预处理改进搜索算法

本文针对传统A*算法存在冗余路径点较多与单向搜索耗时较长的缺点,提出了一种改进A*算法.该算法采用双向预处理结构减少冗余节点数,并通过归一化处理和增加节点标记信息进一步优化估价函数提高遍历速度.利用仿真软件对改进A*算法进行实验,并与其它经典路径规划算法进行比较.仿真结果表明,改进后的A*算法较于传统A*算法能以较低的搜索节点数和搜索时长较好的完成全局路径规划.     

目标偏置双向RRT*算法的机器人路径规划

针对RRT*和B-RRT*算法在较复杂环境下路径规划时,存在搜索时间长、采样效率低和规划路径曲折的问题,提出一种目标偏置双向快速扩展随机树算法——GBB-RRT*(goal biased bidirectional RRT*).该算法每次迭代中两棵随机树都进行扩展,一次迭代能生成两个新节点,加快扩展速度.然后引入目标偏...     

室内场景下应用拓扑结构的高效路径规划算法

针对基于随机采样的路径规划算法效率低且采样具有随机性的问题,提出一种应用拓扑结构的高效路径规划算法ATIRRT^*。通过引入拓扑节点代替STIRRT*算法中Harris角点检测算法得到的特征点进行采样,给出基于阈值的自适应选择方法来消除路径骨架上提取的冗余特征点,利用该阈值得到的拓扑节点可以使随机树的扩展更具方向性,从而减少寻找初始路径的时间和代价。根据非单一父节点的连接方式加强交叉支路上的拓扑节点间的联系,通过节点扩充策略增加相邻拓扑节点间的节点数量以加快优化算法的收敛。在此基础上定义相关约束条件将初始路径分段并进行逐段优化,以提高优化算法的效率。在常规环境、狭长空间和仿真的室内环境3种类型地图上的仿真结果表明,相较于STIRRT^*算法,改进算法在规划路径长度上平均减少8%,在规划时间上平均降低10%,可快速地找到更优的初始路径,同时在优化过程中减少了无用的探索空间,提高了搜索效率。     

基于改进A*算法的无人车路径规划

传统的A^*算法在无人车路径规划中存在规划时间较长和搜索范围较大的缺点。综合分析A^*算法的计算流程后,从四个方面对A^*算法进行改进：1）目标性拓展,即根据待扩展节点和目标节点的相对位置来有目标性地选择不同的象限进行节点拓展;2）目标可见性判断,即判断待扩展节点与目标点之间有无障碍物,若无障碍物则跳出A^*算法的探索过程,以此减少多余的搜索;3）改变A^*算法的启发函数,即增加待扩展节点的n辈父节点到目标点的代价估计,以此减少到目标点的代价估计的局部最优情况;4）改变扩展节点的选取方略,即改变传统的最小化启发函数来选择扩展节点的方式,通过引入模拟退火法来优化扩展节点的选择方式,使得搜索过程尽可能向靠近目标点的方向进行。最后通过Matlab仿真实验结果表明,在模拟的地图环境下,提出的改进A^*算法在运行时间上减少67.06%,经历的栅格数减少73.53%,优化路径长度浮动范围在±0.6%。