基于改进鲸鱼算法的路径规划方法研究

针对移动机器人路径规划问题,为了求解出更为有效的移动路径,提出了一种新的求解方法-鲸鱼优化算法(WOA),在基本鲸鱼优化算法的基础之上引入惯性权重,以增强搜索能力,提高基本算法的有效性。最后通过实例,将改进的鲸鱼优化算法与遗传算法(GA)、蚁群算法(ACO)进行比较分析,验证了改进鲸鱼优化算法在路径规划方面的有效性。     

基于改进蝗虫优化算法的移动机器人路径规划

为提升蝗虫优化算法(GOA)在移动机器人路径规划中的应用效果,将基于Levy飞行的局部搜索策略和基于线性递减参数的随机跳出策略引入到GOA中,提出了改进蝗虫优化算法(IGOA)。相比于GOA,IGOA中的Levy飞行局部搜索策略增强了算法的随机性,线性递减参数的随机跳出策略降低了算法陷入局部最优的概率。移动机器人2种不同行驶环境的路径规划实例中,IGOA获得的结果更优。     

室内移动机器人路径规划算法

路径规划是移动机器人导航技术中的核心问题。在以往的研究中,机器人被视为一个点并且优化的目标为使路径最短,这种建模方法得到的路径往往不具有良好的可执行性。讨论了一种考虑路径平滑度和路径安全度的规划算法,并通过带惩罚函数的粒子群算法对其进行求解。最后在MATLAB中通过仿真试验验证了算法的有效性。     

基于智能路径规划算法的移动机器人设计

介绍了一种基于智能路径规划算法的移动机器人。该机器人以TMS320LF2407A作为主控制芯片,控制机器人左右轮电机运转．驱动机器人按照预定路径行走。其设计算法首先采用了改进的栅格和Distbug的组合进行全局和局部路径规划。详细阐述了该算法的基本原理及采用该算法的移动机器人控制系统硬软件设计。最后,介绍了该移动机器人自学习路径跟踪PID算法。实践表明,采用该算法的移动机器人行走速度快,实时性强,稳定性好,控制精度高。     

基于改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在复杂环境下收敛速度慢且易陷入局部最优值的问题,提出一种改进的蚁群优化算法。该方法依据起始点和目标点位置信息选择全局有利区域增加初始信息素浓度,提高前期蚂蚁搜索效率;增加避障策略,避免蚂蚁盲目搜索产生大量交叉路径并有效减少蚂蚁死锁数量;采用动态参数控制的伪随机转移策略,提出优质蚂蚁信息素更新原则,自适应调整挥发系数,提高算法全局性;进行二次路径规划,优化路径并降低移动机器人能耗的损失。实验结果表明,该算法有较高的全局搜索能力,收敛速度明显加快,并且可以有效提高移动机器人工作效率,验证了该算法的有效性和优越性。     

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

贝塞尔曲线融合ACO的移动机器人路径规划

针对基本蚁群算法(ACO)收敛速度慢的特点,提出了一种移动机器人路径规划的蚁群优化改进算法。通过限制信息素的取值范围,扩大了搜索结果,从而避免了算法过早收敛,同时还提出了一种信息素挥发系数自适应调节的改进蚁群算法方略,意图通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。针对在栅格环境中蚁群算法规划出来的路径折线多,转角大的特点,提出了用贝塞尔曲线优化路径的方法。仿真结果显示,经过优化过后的平滑路径更加适合移动机器人的运行情况,在任意随机给定的环境中,算法能够迅速找出最优路径。     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

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。     

融合TEB与Stanley的移动机器人路径规划控制算法

移动机器人根据TEB(timeelasticband)算法优化求解出轨迹点序列,然后通过时间差分计算移动机器人所需的控制量,这种方式在实际应用时由于速度与角速度的频繁跳变,导致对阿克曼底盘移动机器人的运行控制不佳、转向不平稳等问题。为了改善控制效果,将TEB下发的移动机器人控制量进行了改进,融合Stanley算法考虑机器人实际位姿与最优轨迹点之间的航向误差与横向误差,定义基于误差的非线性比例函数来求解移动机器人实时跟踪的控制率,以此设计移动机器人的运动控制器,并搭建基于ROS平台的路径规划控制模块进行仿真和实车测试,实验结果验证了所设计融合算法的有效性,可以实现阿克曼形式的底盘移动机器人可靠、平稳的路径规划和运动控制功能。     

基于多传感器信息融合的移动机器人路径规划

移动机器人是机器人技术的一个重要领域，是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。动态未知环境下的移动机器人路径规划必须基于多传感器信息融合来获得对环境的理解或映射。本文就国内外移动机器人发展现状、多传感器数据信息融合方法及移动机器人路径规划进行了概述。     

基于改进蝙蝠算法的移动机器人路径规划方法研究

针对智能算法解决移动机器人路径规划问题时存在的效率低下、易陷入局部最优等问题,将黄金正弦算法融合到蝙蝠算法中,提出一种具有快速收敛能力和全局搜索能力的混合算法.该算法利用黄金正弦对精英蝙蝠个体位置进行更新,增加算法寻优方式,提高收敛速度,同时使用平均种群位置对剩余个体进行引导,改善种群多样性;其次对最优个体分阶段进行单...     

改进MMAS算法的移动机器人的路径规划

移动机器人路径规划是机器人研究领域的重要内容之一,具有非线性、约束性和复杂性等特点。MMAS算法是近年来发展起来的一种智能优化算法,该算法在解决许多复杂问题方面已经展现出其良好的性能和巨大的发展潜力,但在应用上还存在一定的缺点。通过对MMAS算法的改进对移动机器人在复杂地图中全局路径规划问题进行了研究。     

基于改进蚁群算法的移动机器人路径规划研究

为了提高机器人路径规划算法的收敛速度和收敛精度,提出了基于改进遗传算法的机器人路径规划方法。介绍了栅格建模方法,分析了传统蚁群算法原理。提出了蚂蚁相遇策略提高了算法搜索效率,提出了蚂蚁回退策略避免陷入U形陷阱,设置了信息素感应阈值扩大了算法前期的搜索范围,改进了信息素残留方法使蚁群能够记忆最优路径,提出了信息素自适应调整方法,兼顾了算法前期的大范围搜索和后期的快速收敛。经仿真实验验证,相比于传统蚁群算法,改进算法具有更快的收敛速度、更优的规划结果,且改进算法的蚁群轨迹更加集中至最优解附近。     

一种移动机器人的路径规划算法研究

针对移动机器人路径规划过程中存在易陷入局部最优、规划质量差和规划效率低等问题,提出一种结合入侵杂草算法和NURBS算法的混合路径规划方法。首先,根据路径规划要求建立目标函数,并将规划问题转化为函数最小值求解问题。然后,利用目标函数来指导入侵杂草算法寻找安全可行的路径点,接着将NURBS算法作为局部路径优化算子光滑处理路径,缩短路径长度。最后,在仿真环境下进行对比分析。结果表明,该方法相比于传统的入侵杂草算法在路径质量和效率上均有所提高,对实际移动机器人路径规划研究具有较高指导作用。     

改进蚁群算法在移动机器人路径规划中的应用研究

移动机器人作为智能化发展的重要产物之一,为人们提供扫地、擦地、擦窗户等服务.此类型机器人在移动路径规划上尚存在一定提升空间.为了改善机器人移动路径规划精度,加快路径搜索收敛速度,在传统蚁群算法基础上,采用蚂蚁相遇方法,在保留蚂蚁遍历路径记忆能力的同时,对算法路径搜索、路径选择、挥发系数进行改进.经过仿真分析验证改进后,算法收敛性能及路径规划性能得到提升.     

基于云计算的果园移动机器人动态路径规划

针对复杂果园环境下的移动机器人路径规划,提出一种基于云计算的混合改进人工鱼群算法.首先云端服务器利用栅格地图对环境进行建模,将Pareto支配关系和A*算法引入人工鱼的设计中,结合自适应的视野范围计算出静态全局最优路径,然后发送至移动机器人完成果园环境的路径规划.最后,针对动态环境中不同障碍物的速度和方向,提出3种避障...     

基于改进蚁群算法的移动机器人路径规划研究

传统的蚁群算法在移动机器人路径规划过程中,在加速算法收敛时易陷入局部最优问题,针对此问题提出了一种新型蚁群算法的移动机器人路径规划方法。首先建立了机器人路径规划数学模型,在此基础上对传统的蚁群算法进行了改进,将环境中局部的机器人路径信息引入到蚁群信息素的初始化和路径选择概率中,提高了蚁群算法的收敛速度并防止算法早熟。通过引入交叉操作并对蚁群算法中参数进行调整,避免了算法陷入局部最优。仿真结果表明,所提方法能够明显提高最佳路径搜索能力,整体性能优于传统蚁群算法。