多起重机协作吊装避障路径规划研究

多台起重机协作吊装作业可以完成单台起重机难以完成的大型起重吊装任务,构成典型的柔索并联机构。复杂环境中不可避免的存在各种类型的障碍物,大大降低了多起重机协作吊装的效率,同时增加了协作吊装的危险性,因此有必要对多起重机协作吊装进行避障路径规划研究。在多起重机协作吊装三维模型的基础上,建立装备机构运动学、动力学模型,并针对复杂环境,采用改进的人工势场法进行了多起重机协作吊装的避障路径规划数值仿真,得到机构运动和钢丝绳受力规律,为多起重机协作吊装避障路径规划的实际应用提供了理论依据和参考数据,与传统人工势场法规划的路径对比表明了改进人工势场法的有效性。     

基于改进蚁群算法的多起重机协作吊装装备避障性能研究

多起重机协同作业相对于单起重机作业具有更好的稳定性和适应性,在建筑、能源、物流、救援等领域的应用越来越广泛,尤其是大型、重型负载的移动作业。随着吊装系统和工作环境复杂度的不断提高,对多机协作的安全性提出了更高的要求,势必要对多起重机协作吊装过程中避障方法及性能进行研究。因此,在传统蚁群算法的基础上,设计了一种新的启发函数,将待选栅格点与起始点、目标点的距离纳入到参考因素中。改进的蚁群算法增强了全局性,避免陷入局部最优、死锁,改善了避障路径质量。利用数值仿真得到不同避障路径下各台起重机吊绳的索力变化,表明该改进蚁群算法相较于传统蚁群算法在多起重机吊装过程中有效地优化了避障性能。     

移动机器人路径规划中的蚁群优化算法研究

针对将传统蚁群算法引入到移动机器人的路径规划当中会存在收敛速度慢、效率低下、容易陷入局部最优,甚至出现死锁等缺陷,提出一种改进的蚁群算法,以栅格法建立机器人工作环境,改进信息素的更新方式,设置信息素浓度的阀值,引入死锁处理策略,改进状态转移概率,增加解的多样性。在栅格环境下对移动机器人的路径规划进行仿真测试,仿真结果表明,改进的蚁群算法能缩小对最优路径的搜索范围,降低迭代次数,提高对最优解的搜索效率,能获得全局最优无碰撞的路径。     

基于改进蚁群算法的桥式起重机路径规划问题研究

通过研究桥式起重机路径规划问题,提出一种改进的蚁群路径规划算法。针对传统蚁群算法收敛速度慢,容易陷入局部最优的缺点,借鉴A*算法和狼群分配原则改进自适应启发函数、信息素更新机制。根据桥式起重机的运行特征,通过运动学动力学分析抽象出两个仿真因子:路径长度和节点数量,提出以路径长度、运行时间和稳定性等性能参数为代价的新的评价标准。栅格环境下的桥式起重机路径规划仿真结果表明,改进的蚁群算法提高算法的收敛速度,避免搜索陷入局部最优,可以得到较优的工程应用路径。     

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。     

立体仓库多机器人协同路径规划与冲突消解

针对立体仓库中多机器人协同路径规划问题,建立了一个具有最优作业时间和能耗的多目标路径规划模型.采用分治-协作策略将多机器人路径规划问题分解为多个单机器人路径规划子问题.在路径规划中,采用改进的蚁群算法对每个机器人的初始路径进行规划.基于时空协同约束,采用协同迭代优化策略,提出了多蚁群协同进化算法.针对路径冲突问题,设计了一种动态优先级冲突消解策略,有效地解决了多机器人冲突问题,找到了最优路径组合.仿真结果表明,该方法能有效提高多机器人的协同搬运效率,降低能耗并缩短搬运时间.     

一种新型蚁群随机树的机器人路径规划算法

为提高复杂环境下机器人的路径规划效率,提出了一种用蚁群算法来优化随机树算法的新的全局路径规划算法。该算法有效地结合了蚁群和随机树算法的优点,利用随机树算法的高效性快速收敛到一条可行路径,将该路径转换为蚁群的初始信息素分布,可以减少蚁群算法初期迭代; 然后利用蚁群算法的反馈性优化路径,求得最优路径。仿真实验表明,该蚁群随机树算法可以提高机器人路径规划的速度,并且在任何复杂环境下迅速规划出最优路径。     

基于改进蚁群算法激光导航轮式机器人路径规划

针对激光导航轮式机器人在复杂环境中路径规划原始算法存在路径较长和收敛速度较慢的问题,提出了一种改进蚁群算法。在实际算法中,先利用MAKLINK图论建立AGV运行环境的空间模型,接着用Dijkstra算法搜索优化路径;然后,在Dijkstra算法的基础上采用蚁群算法搜索最优路径;紧接着,在改进蚁群算法中,优先选择搜索前后两节点同起点到终点夹角一致或相差不大的后一个搜索节点,获取新的信息素更新策略,并进行角度的初始化和信息素计算;最后,在Matlab上完成算法的编写并得到仿真结果。结果表明,改进蚁群算法路径优化性能更好,对实际环境中机器人的路径规划具有指导意义。     

多因素改进蚁群算法的路径规划EI北大核心

针对目前服务于移动机器人的全局路径规划算法求解目标单一无法应对复杂且多变的实际环境等问题,提出一种多因素改进蚁群算法。首先,提出了RGB-2D栅格法模拟移动机器人的真实地面路况环境,并针对对角障碍情形,运用邻域矩阵探索法实现障碍检测,有效提高了路径的安全性;其次,为克服传统路径规划以距离为单一指标的局限性,构建综合考虑路径安全性、颠簸性、平滑性以及路程最短性的多因子启发式函数;考虑到传统蚁群算法早期搜索的盲目性,提出了初始信息素阶梯分配原则;然后,将信息素进行分类,按优化目标叠加每条路径上的信息素,运用最大最小蚂蚁策略和信息素挥发因子自调整策略避免局部最优;最后,运用动态切点调整法平滑路径,进一步提高路线质量。仿真实验表明,改进算法在复杂环境中具有良好的适应能力,且路径综合性能指标优于对比文献算法,可为实际环境中的多因素路径规划提供有效参考。     

人工势场引导蚁群算法的机器人导航路径规划

蚁群算法应用于路径规划时,算法前期信息素分布均匀,只依赖启发信息搜索最优路径,因此存在盲目搜索和收敛慢的问题;蚁群算法后期由于信息素的正反馈作用,使蚁群算法陷入局部最优时无法跳出.为了解决这些问题,提出了改进人工势场法引导蚁群算法的路径规划方法.介绍了栅格环境建模法;以人工势场法为基础,给出了路径中间点选择方法,取消了障碍物斥力而只保留目标点引力,在目标引力下实现路径规划;以改进人工势场法规划路径启发蚁群算法,减少前期路径规划盲目性,实现加快收敛的目的;改进信息素更新方法,使信息素遗留因子随路径优劣自适应变化.由仿真结果可以看出,相比于蚁群算法和文献[10]势场蚁群算法,这里算法规划路径最短、平均迭代次数最少、算法平均耗时最少.     

多陷阱复杂环境下机器人导航路径蚁群规划方法

在多陷阱复杂环境下规划机器人导航路径,蚁群算法容易掉入陷阱而降低运算效率和路径质量,为了解决这一问题,提出了基于多种群蚁群算法的路径规划方法。使用栅格法建立了工作环境的(0～1)矩阵模型,使用路径长度和路径平滑度建立了路径评价函数。针对蚂蚁回退策略陷入陷阱时反复回退、标记、判断而降低算法运行效率,提出了陷阱深度标记策略,使蚂蚁能够跳跃出陷阱而提高效率;提出了多种群搜索策略,对不同的蚂蚁种群使用不同的启发信息,兼顾了算法随机性、目的性与收敛性。经仿真验证,在多障碍物复杂环境下,多种群蚁群算法规划的路径长度和平滑度明显优于基本蚁群算法;且多种群蚁群算法寻到最优路径的收敛次数也远少于基本蚁群算法。     

滚动窗口与蚁群算法结合的机器人路径规划

针对地震、火灾等城市灾难的复杂环境,提出了一种窗口滚动与改进蚁群算法相结合的机器人搜救路径算法.随机设置障碍物模拟搜救场景,采用栅格法对整个环境空间进行划分和建模,在死循环、优化参数、启发因子等方面对基本蚁群算法提出改进,借鉴预测控制滚动优化原理,充分利用机器人实时测得的局部环境信息.最后通过计算机实例仿真,验证该算法的有效性和适应性.     

基于信息素反应的多机器人协作探测的方法研究

针对单一探测机器人在复杂环境下可靠性和容错能力较低难以完成探测任务的问题,采用了多机器人协作探测的方法,利用吸引素和排斥素将引力和斥力之间的平衡点作为机器人队形控制及避障行为的约束条件,同时利用信息素之间的反应,计算出指引机器人到达目标点的目标信息素及返回初终点的返回信息素的数值,实现缩小机器人的搜索空间,形成最优路径,提高多机器人的协作探测能力。实验证明,引入信息素反应理论,减化机器人相互协作模型,同时能够完成复杂环境下的机器人探测任务,达到了预期效果。     

超强启发异类蚁群算法的机器人导航路径规划

为了提高机器人在栅格环境下的路径规划质量,提出了基于超强启发式异类蚁群算法的路径规划方法.建立了机器人工作环境的栅格模型;在蚁群算法基础上,提出了由开创型蚂蚁、守旧型蚂蚁、传统型蚂蚁组成的异类蚁群算法,并通过仿真看出,开创型蚂蚁主导的异类蚁群算法具有最优性能;在信息素更新方面,按照"奖励先进、惩罚后进"的原则,提出了超强启发式信息素更新方法,引导传统型蚂蚁和守旧型蚂蚁快速向开创型蚂蚁搜索的较优路径靠近.经过仿真验证,异类蚁群算法在简单环境和复杂环境下规划的路径均优于传统蚁群算法,且异类蚁群算法寻优稳定性更好,寻优耗时更短.     

参数α、β和ρ自适应调整的快速蚁群算法

对蚁群算法迭代次数多、收敛速度慢提出了改进。针对蚁群算法前期信息素匮乏而导致收敛速度慢的问题,对信息素和启发式信息的权重参数α和β进行改进,动态调整两种参数;针对迭代后期信息素浓度过高,使得蚁群易陷入局部最优问题,对信息素蒸发系数加以改进,使其成为动态全局自适应参数。通过栅格法进行静态已知环境建模,通过不同规模的路径规划的实验验证了改进后的蚁群算法在寻找最优路径时具有更快的运算速度。     

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。     

基于改进蚁群算法的AGV路径规划

针对复杂仓储环境中自动引导车AGV的路径规划问题,提出一种改进型蚁群路径规划算法。首先,通过栅格法建立AGV运行环境,在传统蚁群算法基础上引入方向系数,改进蚁群算法的启发函数,使算法初期在路径选择上具有指向性;其次,加入全局信息素更新机制,以提高算法搜索效率;最后在路径选择过程中引入安全距离判断策略,使AGV在安全距离范围内通过障碍物。仿真结果表明,改进蚁群算法能够快速搜索出最优路径,同时能实现自主避障和避免陷入死锁。     

基于参数优化蚁群算法的机器人路径规划研究

采用蚁群算法(Ant Colony Optimization,ACO)求解棉花搬运机器人全局路径规划时,会出现规划效率低、蚁群算法参数的改变对规划效果影响大等问题。提出了一种粒子群参数优化的改进蚁群算法,该算法能够根据地图情况的不同智能地调节参数组合,从而在各种地图中能够发挥蚁群算法的最佳性能。通过实验数据分析蚁群算法重要参数对规划效率的影响,进行参数优化;针对改进后算法耗时大的问题,提出粒子群算法的动态惯性权重调整策略和改进的蚁群算法信息素更新策略,保证求解质量的同时,提高了优化效率,在障碍物分布不同的地图中进行仿真实验,通过与蚁群算法路径规划结果的对比,证明了粒子群参数优化的改进蚁群算法能够发挥蚁群算法最佳性能,可提高移动机器人到达目标点的速度并降低机器人运动过程中的损耗。     

基于改进蚁群算法的机器人路径规划问题研究

针对基本蚁群算法前期搜索效率低下以及在寻优的过程中会穿过障碍物等问题,提出改进的蚁群算法,即采用动态调整启发因子、信息素初始化改进策略、可选节点的筛选机制方案进行改进工作。通过对基本蚁群算法和改进蚁群算法的仿真结果分析可知,改进后算法的最优路径长度虽然有所增加,但减少了蚂蚁前期到达最优路径的迭代次数,得到一条无碰撞、没有穿过障碍物的路径,且耗时与基本蚁群算法相持平,保证了机器人路径的安全性,提高了算法的前期搜索效率。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。