一种基于量子染色体变异的移动机器人路径规划融合算法

为了解决机器人路径规划中的“局部最小”问题,提出了一种基于量子染色体变异的人工势场法和栅格法相融合的移动机器人路径规划算法.首先,对人工势场的斥力场进行改进,然后利用融合的人工势场法和栅格法对路径进行规划,产生初始化种群,最后利用量子比特对染色体编码、利用量子染色体变异对种群个体进行更新,完成最佳路径搜索.仿真实验表明,本文提出的融合算法能够有效地避开障碍物,稳定地产生移动机器人的最佳规划路径,提高了种群质量和收敛速度,适合于求解复杂优化问题,达到了预期效果.     

基于Q-GA的人工势场的移动机器人路径规划

针对人工势场的路径规划具有目标不可达、合力为零而导致的陷阱,提出了一种基于改进人工势场模型和量子遗传算法相结合的移动机器人路径规划方法。在路径评价指标引入了路径安全性能和路径校正频率,采用量子遗传算法来选择人工势场模型的参数,从而克服其模型缺陷,同时实现了路径和安全性的优化。仿真结果表明,该方法能有效地提高路径规划的性能。     

改进的势场蚁群算法的移动机器人路径规划

针对蚁群算法路径规划初期信息素浓度差异较小,正反馈作用不明显,路径搜索存在着盲目性、收敛速度相对较慢、易陷入局部最优等情况,人工势场算法的势场力可引导机器人快速朝目标位置前进,提出势场蚁群算法,通过栅格法对机器人的工作环境进行建模,利用人工势场中的势场力、势场力启发信息影响系数及蚁群算法中机器人与目标位置的距离构造综合启发信息,并利用蚁群算法的搜索机制在未知环境中寻找一条最优路径。大量的仿真实验表明势场蚁群算法路径规划能找到更优路径和收敛速度更快。     

基于量子进化算法的移动机器人实时路径规划

提出一种改进的量子进化算法来解决机器人实时路径规划问题。采用栅格法对环境建模,给出一种新型的解码方法来将量子个体转换为用栅格点表示的路径。在量子旋转门的基础上,引进遗传算法中的交叉和变异操作以及专门针对路径规划问题设计的修复算子,共同对量子种群进行更新,提升了算法的搜索效率。借助Matlab图形用户界面GUI实现对机器人实时路径规划过程的模拟,仿真结果表明,所提方法能够在较复杂的环境中规划出可行且长度较短的路径,且当环境中出现新的障碍物或原有障碍物向不同方向移动时,该方法均能及时地响应,重新规划出新的最优路径。     

粒子群优化的移动机器人路径规划算法

针对移动机器人在复杂环境下采用传统方法路径规划收敛速度慢和局部最优问题,提出了斥力场下粒子群优化（PSO）的移动机器人路径规划算法。首先采用栅格法对机器人的移动路径进行初步规划,并将栅格法得到的初步路径作为粒子的初始种群,根据障碍物的不同形状和尺寸以及障碍物所占的地图总面积确定栅格粒度的大小,进而对规划路径进行数学建模;然后根据粒子之间的相互协作实现对粒子位置和速度的不断更新;最后采用障碍物斥力势场构造高安全性适应度函数,从而得到一条机器人从初始位置到目标的最优路径。利用Matlab平台对所提算法进行仿真,结果表明,该算法可以实现复杂环境下路径寻优和安全避障;同时还通过对比实验验证了算法收敛速度快,能解决局部最优问题。     

飞行器分层势场路径规划算法

传统势场法是飞行器路径规划的一种常用方法,但是存在目标不可达、易收敛到局部极小值和无评价机制等问题.本文针对这些问题提出了一种飞行器路径规划的分层势场算法.利用分段思想对势场函数进行修正,解决了目标不可达问题.引入回环力和飞行器间作用力,解决了易收敛到局部极小值问题和飞行器间的碰撞问题.采用分层方法,建立了多层次多方位路径点阵,并以此计算最优路径点,从而引入了势场法的评价机制.通过数值仿真,对在复杂障碍环境中的飞行器路径规划进行了传统势场法、改进势场法和分层势场法的对比研究.仿真结果验证了所提出的分层势场算法的有效性和可行性.     

基于分层强化学习及人工势场的多Agent路径规划方法

针对路径规划算法收敛速度慢及效率低的问题,提出了一种基于分层强化学习及人工势场的多Agent路径规划算法。首先,将多Agent的运行环境虚拟为一个人工势能场,根据先验知识确定每点的势能值,它代表最优策略可获得的最大回报;其次,利用分层强化学习方法的无环境模型学习以及局部更新能力将策略更新过程限制在规模较小的局部空间或维度较低的高层空间上,提高学习算法的性能;最后,针对出租车问题在栅格环境中对所提算法进行了仿真实验。为了使算法贴近真实环境,增加算法的可移植性,在三维仿真环境中对该算法进行验证,实验结果表明该算法收敛速度快,收敛过程稳定。     

一种人工势场导向的蚁群路径规划算法

针对复杂环境下的机器人路径规划问题,提出一种势场法优化的蚁群路径规划算法。为提高算法收敛速度,将人工势场法的规划结果作为先验知识,对蚁群初始到达的栅格进行邻域信息素的初始化,并通过构建势场导向权改变蚂蚁概率转移函数,使其作用于蚂蚁路径搜索的始终,从而改善蚁群路径搜索的盲目性。仿真结果表明,新算法具有收敛速度快、规划路径短以及环境自适应的优点。     

考虑机器人尺度的变电站路径规划

在传统的变电站巡检过程中,存在人工任务繁重且效率低下等问题,为了提高变电站中的巡检效率与安全性,提出了一种基于遗传算法和人工势场法巡检机器人的路径规划方法.算法由三部分组成,首先通过Maklink方法对仿真环境进行建模,通过遗传算法求出不考虑安全性的近似最优解;第二部分,在遗传算法求解的基础上,将路径中间节点作为引力点,障碍物的边界作为斥力点,构建人工势场环境模型;第三部分,用改进的人工势场法进行优化,提高路线的安全性.通过在计算机平台上的仿真测试,最终结果表明该方法可以在一定时间之内得到一条安全性更高的路线,使得巡检机器人可以避开障碍物到达指定地点,从而完成巡检电路的任务.上述算法改进了人工势场路径规划方法一直以来根本性的缺陷,如易陷入极值点、易产生路径点震荡等问题,并且利用人工势场路径平滑的特点提高了Maklink路径规划方法的路线安全性.     

自适应斥力系数的无人机路径规划

使用人工势场法进行无人机路径规划时,往往存在目标不可达、运动轨迹迂回反复和路径长度过长等问题.传统的人工势场法不能根据环境具体信息对斥力系数进行调整,而现有的改进方法不能在自适应调整斥力系数的同时兼顾规划效果和规划时长.针对以上问题,提出了一种基于深度学习的无人机自适应斥力系数路径规划方法.首先通过融合遗传算法与人工势场法找出在特定环境下最合适的斥力系数样本集,其次利用该样本集训练残差神经网络,最后通过残差神经网络计算适应环境的斥力系数,进而使用人工势场法进行路径规划.仿真实验表明,该方法在一定程度上解决了人工势场法规划中目标不可达、运动轨迹迂回反复和路径长度过长等问题,规划效果和规划时长方面均有优异表现,能很好地满足无人机路径规划中对当前环境的自适应要求和快速规划的要求.     

基于深度Q网络和人工势场的移动机器人路径规划研究

随着移动机器人在各个领域的研究与发展,人们对移动机器人路径规划的能力提出了更高的要求;为了解决传统的深度Q网络算法在未知环境下,应用于自主移动机器人路径规划时存在的收敛速度慢、训练前期产生较大迭代空间、迭代的次数多等问题,在传统DQN算法初始化Q值时,加入人工势场法的引力势场来协助初始化环境先验信息,进而可以引导移动机器人向目标点运动,来减少算法在最初几轮探索中形成的大批无效迭代,进而减少迭代次数,加快收敛速度;在栅格地图环境中应用pytorch框架验证加入初始引力势场的改进DQN算法路径规划效果;仿真实验结果表明,改进算法能在产生较小的迭代空间且较少的迭代次数后,快速有效地规划出一条从起点到目标点的最优路径。     

机器人在已知三维自然环境中的路径规划算法

研究了移动机器人在三维环境的路径规划问题,针对该问题中存在环境适应性和全局性差的不足,对人工势场法进行改进,提出了一种新的路径规划的算法.该算法首先对已知的三维自然环境进行栅格化,建立栅格运行费用的评估模型,计算每个栅格的运行费用;然后依据栅格的运行费用建立斥力场,以目标点为中心的建立引力场,同时提出解决局部最小值的问题的方法;最后将两者合力的方向作为移动机器人在该点的路径走向,规划出一条从起始点到目标点的运行费用较低的路径.仿真实验结果表明,该算法能有效降低运行费用,适应性和全局性好,适合应用于移动机器人在三维自然环境中的路径规划.     

一种基于改进人工蜂群算法的机器人实时路径规划方法

在移动机器人控制领域,路径规划是最重要并具有挑战性的问题之一。本文首先采用栅格法对环境进行建模,然后提出一种改进的人工蜂群算法用于机器人的路径规划。在该算法中,为了提高人工蜂群算法的收敛速度,提出自适应的搜索方式,并采用精英保留选择策略以避免机器人路径规划陷入局部最优。仿真实验结果表明,所提算法在机器人路径规划上的可行性与有效性。     

模糊控制在移动机器人路径规划中的应用

针对移动机器人最优路径规划问题,设计了一种模糊智能控制方法。利用超声波传感器对机器人周围环境进行探测,得到关于障碍物和目标的信息。通过设计模糊控制器,把得到的障碍与目标位置信息模糊化,建立模糊规则并解模糊最终使机器人可以很好地避障,并且解决了模糊算法存在的死锁问题,从而实现了移动机器人的路径规划。仿真实验结果表明了模糊算法优于人工势场法,具有有效性和可行性。     

Dynamic path planning of mobile robots with improved genetic algorithm

In this study, a new mutation operator is proposed for the genetic algorithm (GA) and applied to the path planning problem of mobile robots in dynamic environments. Path planning for a mobile robot finds a feasible path from a starting node to a target node in an environment with obstacles. GA has been widely used to generate an optimal path by taking advantage of its strong optimization ability. While conventional random mutation operator in simple GA or some other improved mutation operators can cause infeasible paths, the proposed mutation operator does not and avoids premature convergence. In order to demonstrate the success of the proposed method, it is applied to two different dynamic environments and compared with previous improved GA studies in the literature. A GA with the proposed mutation operator finds the optimal path far too many times and converges more rapidly than the other methods do.     

基于遗传模拟退火算法的移动机器人路径规划

针对移动机器人路径规划的难题,运用了一种基于遗传模拟退火算法的移动机器人最优路径规划方法,对移动机器人的路径规划进行了设计,采用了栅格法对环境进行建模.为了提高路径规划的效率,采用了一种改进的避障算法来生成初始种群.将遗传算法与模拟退火算法相结合形成遗传模拟退火算法,新算法具有较强的全局和局部搜索能力.仿真实验结果证明算法相对于基本遗传算法的收敛速度、搜索质量和最优解输出概率方面有了明显的提高.     

基于量子行为烟花算法的移动机器人路径规划及平滑

针对移动机器人全局路径规划问题,提出一种基于量子行为烟花算法(quantum-behaved fireworks algorithm,QFWA)的路径规划方法.改进算法在基本烟花算法(fireworks algorithm, FWA)的基础上增加了基于量子行为的烟花爆炸策略.该策略使得种群在接近全局最优时具有较强的局部搜索能力,同时在种群远离全局最优位置时具有较强的全局搜索能力.改进算法提高了烟花爆炸产生火花的多样性和算法的收敛速度.在Benchmark测试函数上将改进算法与其他几种优化算法进行了对比,结果表明改进算法的性能优于其他算法.将QFWA应用于求解移动机器人路径规划问题,并采用均值滤波结合人工势场法对规划出的路径进行路径平滑处理.仿真实验结果表明改进方法在移动机器人路径规划问题上的可行性和有效性.     

一种蚂蚁遗传融合的机器人路径规划新算法

针对栅格法建模的不足,本文研究一种全新的蚂蚁算法与遗传算法融合的机器人路径规划算法.该方法首先用栅格法建立机器人运动空间模型,在此基础上利用蚂蚁算法进行全局搜索得到全局导航路径,然后用遗传算法局部调节全局导航路径上的路径点,得到更优路径.计算机仿真实验表明,即使在复杂的环境下,利用本算法也可以规划出一条全局优化路径,且能安全避障.     

能力风暴机器人的全局路径规划

基于Messy遗传算法(Messy GA),设计了移动机器人的通用路径规划算法,其中的优化目标包括最短路径、一定的平滑度和最优安全距离.在算法中加入了优化算子及交叉率和变异率的自适应调整,加快了收敛速度.仿真结果验证了所提方法的有效性.根据能力风暴机器人(AS-R)的实际运行要求,修改算法以扩大路径与障碍物之间的间隔度,并提出采用平滑的方法来优化路径.以AS-R为平台进行了轨迹跟踪实验.实验结果表明算法在随机摆放障碍物和实验室环境下可以实现路径规划,并能够最终实现AS-R机器人的全局路径规划.