改进多步长蚁群算法移动机器人路径规划研究

为改善传统蚁群算法在路径规划中存在的规划路径实用性差、收敛速度慢、易陷入局部最优等问题,提出一种改进多步长蚁群算法.改进算法以移动机器人视野域内所有可直达节点作为下一步可选节点集,采用多步长移动方式以任意方向任意步长寻找下一节点,提高算法寻优效率和路径规划多样性;节点之间初始信息素依各节点与当前节点和目标节点连线的距离采取不均匀分布,降低蚁群在算法初期搜索的盲目性;通过路径长度增大优质路径与劣质路径的信息素更新差距,改进启发函数,提高算法收敛速度.仿真结果表明,改进算法规划路径具有长度短、路径平滑度高、步数少的优点,更符合移动机器人实际使用需求,收敛速度明显加快,路径规划效果提升显著.     

基于A*算法的楼宇环境中移动机器人的路径规划

以A*算法为基础,在静态地图上初步规划出楼宇环境中移动机器人的全局路径,然后基于可视图法思想,采用无障碍拉直法(NOD)和拐点采集法(INC)的优化方法对路径进行了优化.以优化后路径的拐点作为局部规划目标点,再结合超声和红外传感器提供的信息,提出了一种以目标导向决策(TOD)和最近方向判决(COD)为原则的局部避障算法.综合以上全局路径规划和局部路径规划的控制方案,对移动机器人UP-VoyagerⅡ在楼宇环境中进行了地图导航控制试验,取得了理想的效果,验证了控制算法的可靠性.     

基于自适应步长策略的A*算法路径规划优化

针对A*算法求解路径轨迹耗时长、内存占用大等问题,本文提出一种基于自适应步长策略改进A*算法.首先,根据当前点与终点的位置关系,设定寻路方向的优先级顺序,减少不合理方向上的冗余规划计算量;其次,修改到达终点的判断条件,可在轨迹规划时实现路径的跳跃;再次,针对A*算法轨迹规划效率低的问题,提出自适应步长策略;最后,针对内存占用大,以及面对大地图时可能出现的内存溢出问题,提出了八方向搜索法.实验结果表明,相较于原始的A*算法,改进的A*算法在轨迹规划效率上获得了极大的提升,同时内存占用大的问题也得到了很好的解决     

基于A*算法的深部地下空间火灾疏散路径动态规划

为了考虑地下空间火灾发生和发展的动态性,结合温度、CO体积分数等各类人体生理耐受性指标随着时间的变化,基于A*算法建立了一种能够考虑火灾场景演化的地下空间逃生疏散路径动态规划方法.采用Pathfinder软件、A*算法、蚁群算法分别对虚拟小尺寸模型和某地铁车站足尺模型进行逃生路径规划并对比分析,验证了A*算法在逃生疏散路径规划方面的高效性和可靠性.通过建立火灾场景关键指标的时程数据库,并根据人体耐受性指标限值识别可逃生区域,然后进行不同时刻火灾逃生场景的动态重构,采用A*算法对重构后的场景进行逃生疏散路径识别,实现了地下空间火灾疏散路径的动态规划.利用上述方法,基于某深埋地铁车站,根据火灾模拟软件提取的特定区域处温度、CO体积分数的时程数据,实时判断最优疏散路线及需要尽快撤离的区域,并给出了最大容许逃生疏散时间.该方法克服了传统静态路径规划的局限性,可为深地空间火灾疏散路径的实时动态规划和消防救援应急策略的制定提供依据.     

基于改进RRT~*算法的路径规划

针对标原始快速扩展随机树星(RRT~*,Rapily-exploring random Tree Star)算法在寻求最短路径过程中存在搜索时间长和收敛速率缓慢的问题,提出一种改善的RRT~*算法。该算法首先利用目标偏置策略减少RRT~*的随机性,然后在此基础上提供了一种改进的步长扩展方法,称为规避步长延伸法,可以使随机树在向着目标点迅速延伸的同时,又能避免陷入局部最小值,合理地避开障碍物。通过MATLAB仿真实验证明,该算法在保证RRT*算法的概率完备性和渐近最优性的前提下,可有效地减少搜索时长和加快收敛速率。     

利用动态规划算法求解最短路径

动态规划是研究一类最优化问题的算法。文中介绍了如何将最短路径问题通过动态规划来求解。     

复杂环境下移动机器人路径规划与跟随

提出了一种基于改进A^*算法和PID控制算法的新型移动机器人路径规划与路径跟随控制方法,该方法适用于复杂的迷宫环境．在所提出的方法中,解决了A^*算法转折点过多的问题,并且通过拓展障碍物和四阶三次均匀B样条优化的方法使生成的预期路径安全且平滑;之后基于前视点的两轮差速机器人运动学模型设计了PID控制器．在专门设计的框架中测试了所提出方法的性能．作为验证,分别从路径规划与路径跟随两个方面做了详尽的实验,结果表明,规划路径转折点少且平滑,设计的PID控制器能够控制移动机器人实现较好的路径跟随效果．最后,在复杂的迷宫环境中验证了提出的方法,结果表明,所提出的方法能够使机器人无碰撞穿越迷宫．     

基于运动约束的泛化Field D*路径规划

为了解决基于栅格的路径规划算法因环境描述的离散化导致规划结果不能满足机器人运动约束,以及单一路径代价的局限致使算法无法适用于复杂环境的问题,提出一种基于运动约束的泛化Field D*算法.该算法的代价函数可同时考虑路程、行驶安全以及行驶时间等一个或多个行驶代价.根据机器人运动模型的特性,在路径点提取过程中结合机器人的最小转弯半径,进行满足运动约束的路径平滑.该算法在多组模拟的复杂环境栅格地图中进行测试,实验结果表明,算法对复杂环境有很好的适应性,同时有效提高路径的可执行性.     

Non-smooth environment modeling and global path planning for mobile robots

An Approximate Voronoi Boundary Network is constructed as the environmental model by way of enlarging the obstacle raster. The connectivity of the path network under complex environment is ensured through building the second order Approximate Voronoi Boundary Network after adding virtual obstacles at joint-close grids. This method embodies the network structure of the free area of environment with less nodes, so the complexity of path planning problem is reduced largely. An optimized path for mobile robot under complex environment is obtained through the Genetic Algorithm based on the elitist rule and re-optimized by using the path-tightening method. Since the elitist one has the only authority of crossover, the management of one group becomes simple, which makes for obtaining the optimized path quickly. The Approximate Voronoi Boundary Network has a good tolerance to the imprecise a priori information and the noises of sensors under complex environment. Especially it is robust in dealing with the local     

一种动态不确定环境下的机器人路径规划算法

为了提高机器人在动态不确定环境下的实时性和适应能力,提出了一种机器人实时路径规划新方法.采用环境信息处理算法,通过搜索实时局部环境信息特征信息的方式对环境信息进行分析和处理.该方法能够捕捉动态障碍物并对动态障碍物的运动规律进行预测,将特征信息及时更新给运动动作规划算法部分.运动动作规划算法是通过引入启发式思想选择双安全子目标点,完成规划运动动作并实现优化路径.在不同环境下进行仿真实验,检验了算法的有效性,证明算法在动态不确定环境下具有良好的实时性和适应性。     

一种基于APGA的移动机器人路径规划算法

提出了基于自适应并行遗传算法的移动机器人路径规划算法,其基本思想是结合多种群并行进化及自适应调整控制参数,提高了搜索的范围和效率,缓解了传统遗传算法早熟收敛问题,从而克服了使用单种群遗传算法进行路径规划的不足．实验结果表明了该算法在移动机器人路径规划中的可行性和有效性．     

基于混沌遗传算法的移动机器人路径规划方法

结合遗传算法优化的反演性和混沌优化方法的遍历性,基于混沌遗传算法的移动机器人路径规划方法能够有效改善遗传算法的局部搜索能力和搜索精度,避免单纯使用遗传算法规划机器人路径时容易出现的早熟收敛现象．仿真试验表明,提出的路径规划方法在稀疏环境和密集环境下均能收敛到全局最优路径,具有更强的鲁棒性．     

基于遗传蚁群算法的机器人全局路径规划研究

蚁群算法是基于生物界群体启发行为的一种随机搜索寻优方法,它的正反馈性和协同性使其可用于分布式系统,隐含的并行性更使其具有极强的发展潜力,它在解决组合优化问题上有着良好的适应性。因此将其应用到智能机器人全局路径规划中,其目的是探索一种新的路径寻优算法.在基于栅格划分的环境中,研究了机器人路径规划问题中蚁群系统的"外激素"表示及更新方式,并将遗传算法的交叉操作结合到蚁群系统的路径寻优过程中,提高了蚁群系统的路径寻优能力,为蚁群算法的应用提供了一种新的探索.     

基于改进蚁群算法的移动机器人路径规划

针对大多数路径规划方法所忽视的路径尖峰,以及传统蚁群算法(ACA)易出现的早熟、陷入局部最优等问题,提出一种改进ACA以用于路径规划.首先,在ACA中融入遗传算子,利用交叉与变异操作来扩大解的搜索空间,提升解的全局性.然后,引入简化与平滑操作优化算子,对所寻路径做进一步处理,消除路径中不必要的尖峰,提高其平滑性.栅格环境下的机器人路径规划仿真结果表明,与A*以及传统ACA相比,所提算法能够得到更为平滑的最短路径.     

基于粗糙集移动机器人微种群路径规划算法

针对机器人的路径规划,提出了一种将粗糙集和微种群遗传算法相结合的路径规划算法.该算法采用栅格法划分机器人的工作空间,十进制路径编码方式.在粗糙集生成初始路径的基础上,通过运用微种群遗传算法对这些初始路径进行优化后,得到了一条最优或近似最优路径.在Matlab环境进行的机器人路径规划仿真实验中,笔者用到的微种群遗传算法与一般遗传算法相比,具有优化效果明显,环境适应性强等优点,能够有效地提高机器人路径规划速度,结果表明作者提出的方法是正确和有效的.     

移动机器人路径规划技术综述

针对Q学习算法在动态连续环境中应用时因状态连续、数量过多,导致Q值表出现存储空间不足和维数灾的问题,提出了一种新的Q值表设计方法,并设计了适用于连续环境的R值和动作.不同于以状态-动作为索引,将时间离散化为时刻,以时刻-动作为索引来建立Q值表.将在某状态应选择某一动作的问题转化为在某时刻应选择某一动作的问题,实现了Q学习算法在动态连续环境中的应用.采用了先利用遗传算法进行静态全局路径规划,然后利用Q学习算法进行动态避障.整个方法为一种先\     

Global optimal path planning for mobile robot based on improved Dijkstra algorithm and ant system algorithm

A novel method of global optimal path planning for mobile robot was proposed based on the improved Dijkstra algorithm and ant system algorithm. This method includes three steps： the first step is adopting the MAK-LINK graph theory to establish the free space model of the mobile robot, the second step is adopting the improved Dijkstra algorithm to find out a sub-optimal collision-free path, and the third step is using the ant system algorithm to adjust and optimize the location of the sub-optimal path so as to generate the global optimal path for the mobile robot. The computer simulation experiment was carried out and the results show that this method is correct and effective. The comparison of the results confirms that the proposed method is better than the hybrid genetic algorithm in the global optimal path planning.