融合改进A*与DWA算法的移动机器人路径规划

针对移动机器人在复杂环境下实现全局路径最优、未知环境下动态实时避障这一路径规划需求,对传统A*（A-star）算法进行改进,并融合动态窗口法（DWA）实现动态实时避障。首先分析栅格环境下的障碍物占比,将障碍物占比引入传统A*算法,优化启发函数h(n),从而改进评价函数f(n),提高其在不同环境下的搜索效率;其次针对复杂栅格环境下传统A*算法优化后的轨迹与障碍物顶点相交问题,优化子节点选择方式,同时删除路径中的冗余节点,提高路径的平滑度;最后融合动态窗口法,实现复杂环境下移动机器人的动态实时避障。通过MATLAB下的对比仿真实验表明,改进算法在轨迹长度、轨迹平滑度以及历经时间上得到优化,满足全局最优且能实现动态实时避障,具有更优秀的路径规划效果。     

基于改进蚁群和DWA算法的机器人动态路径规划

路径规划技术是移动机器人研究领域中的一个重要分支,使得机器人能够在多障碍物环境中安全快速地找到一条相对最优路径.针对全局路径规划时蚁群算法盲目性搜索、易陷入局部最优、收敛速度慢以及局部路径规划时DWA算法难以有效地规避动态障碍物等问题,提出一种改进蚁群算法与DWA算法的融合算法.首先,采用GRRT-Connect算法不等分配初始信息素,解决陷阱地图中局部最优问题;然后,增加蚁群接力搜索方法以解决蚂蚁禁忌表自死锁问题,并利用切片取优方法优化最优路径选择机制得到全局最优路径;接着,以最优路径关键点为子目标点运行DWA算法,提出自适应调节速度方法进行最优行驶;最后,提出预计算方法规避动态障碍物达到局部规划效果.仿真结果表明,与现有文献结果相比,融合算法最优路径长度缩短了10.28%,收敛速度加快了6.55%,验证了所提出算法的有效性和优越性.     

移动机器人的超声模糊避障算法

超声传感器是移动机器人避障常用的传感器．但存在幻影的干扰。该文提出多个超声传感器的模糊避障算法．该算法把多个超声传感器分为左右两组．如果障碍物在右侧．机器人就向左转，反之机器人向右转。实验表明．该文提出的算法可以实现机器人的安全避障。     

基于改进模糊算法的移动机器人避障

为了提高移动机器人在连续障碍物环境下的避障性能,提出了一种具有速度反馈的模糊避障算法。移动机器人利用超声传感器感知周围环境,在模糊控制的基础上通过障碍物分布情况调整自身速度,进而引入优雅降级并把改进的模糊避障融入其中,增强了移动机器人的鲁棒性。实验结果表明,该方法能通过与环境交互调整机器人移动速度,控制机器人成功避障并优化避障路径,具有良好的有效性。     

改进BIT*与DWA算法的动态路径规划

传统批通知树（batch informed trees,BIT*）算法结合了RRT*算法和A*算法的优势,但是该算法在复杂环境下无法躲避未知的动态障碍物,无法完成动态路径规划。针对该问题,提出了一种将改进的BIT*算法和改进的DWA算法相融合的算法。在传统BIT*算法的基础上对路径进行拉伸优化,提取关键转折点,减少路径长度;对传统DWA算法的距离评价函数进行改进、引入轨迹点评价函数,避免局部规划过分偏离,也减少了已知障碍物对路径的影响;将改进的BIT*算法与改进的DWA算法相融合,将提取的关键转折点作为DWA的中间目标点,弥补全局规划算法无法躲避动态障碍物的缺点以及局部规划算法全局能力低下的缺点。在动静态地图中对RRT*算法、BIT*算法、DWA算法、改进BIT*算法以及融合算法进行仿真实验,仿真结果表明：在复杂环境中,改进的BIT*算法具有更短的路径和更少的拐点;与传统的DWA算法相比,融合算法规划的路线更平滑,机器人既能实时动态避障抵达终点,又能更加贴近全局路径,保证路线全局最优。     

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...     

基于预测窗的轮式移动机器人最优避障避碰算法

针对非线性轮式移动机器人的避障以及多机器人间的相互避碰问题,提出了一种基于预测窗的避障避碰算法.首先为了便于预测碰撞的发生,通过反馈线性化将非线性的机器人运动学模型转化成线性模型;然后根据线性模型预测会导致机器人发生碰撞的所有相对虚拟加速度变化量集合,称之为加速度变化障碍.基于此,为每个机器人构造既能躲避障碍物又能相互避碰的可行加速度变化集合.然后通过优化指标函数求得最优虚拟加速度变化量,最后将其转换成机器人的实际控制量.这种算法与现有的相比,可使机器人在避障或避碰过程中的行驶方向角、线速度的变化幅值更小,角速度和线加速度的变化更为平顺,而且运行所用的平均时间更短.仿真结果演示了所提出算法的有效性和相对于已有方法的优势.     

移动机器人避障路径规划算法的研究

避障路径规划问题是在障碍物环境中,在满足与障碍物不相碰撞的前提条件下,规划一条从起点到达终点的路径.在此过程中,往往符合条件的路径不止一条,如何在其中找到最短路径则是我们关心的问题.本文以构建障碍物模型为基础,将路径规划问题转化为求解一条经过起点和终点的最短路径,并在此基础上构建了算法程序.通过计算机仿真表明该方法具备良好的路径规划能力.     

改进蚁群算法及其在机器人避障中的应用

提出了一种改进蚁群算法.首先针对蚁群算法在构造解过程中收敛速度慢且容易陷入局部最优,提出了在蚁群搜索路径过程中,通过建立α(信息素启发式因子)和β(期望启发式因子)的互锁关系,动态自适应调整α、β;其次针对蚁群算法在面对凹形障碍物易陷入死锁,降低搜索效率,提出了广义信息素更新规则;最后利用栅格法进行静态已知环境建模,通过不同规模TSP的仿真验证了该方法的可行性和有效性,同时将其应用到机器人避障并取得了较好实验效果。     

基于BIM的建筑机器人自主路径规划及避障研究

针对建筑机器人进入施工位置全局路径规划最优且可实时避障的要求,提出了一种新型的导航地图建立方法,通过建筑物BIM（Building Information Modeling）模型建立导航地图,通过优化A*算法搜索点选取策略,以及删除了路径上的冗余转折点,缩短算法运行时间,且规划出的全局路径不会紧贴着建筑物墙壁,有效降低了机器人与墙体发生碰撞的可能性。结合动态窗口算法进行局部路径规划,在全局路径关键点之间使用动态窗口法,且加入了新的刹车判定条件,使得机器人的运动连续化。实验结果表明改进后的A*算法运行时间相较于原始算法减少50%以上,每去除一个冗余转折点路径长度减少0.4?m,路径与障碍物之间的距离比原始算法增加了2倍,结合了动态窗口法之后能够较好地避开障碍且输出的控制参数连续化。     

VFF^＋：改进的虚拟力场移动机器人避障算法

分析了虚拟力场法采用全局栅格表示环境信息具有累积误差大、信息存储量大的缺点，设计了动态栅格法表示环境信息，使用跟随机器人移动的扇形栅格表示环境信息，使用栅格中心坐标投影的方法存储多次超声测量数据信息，与势场法相结合对机器人进行导航控制。经仿真和实验验证，改进后的虚拟力场法取得了良好的应用效果。     

基于动态行为控制的移动机器人自主避障

针对环境信息未知或部分未知的情况,提出动态行为控制方法使移动机器人自主避障。采用动态窗法表示结构空间,并分析环境信息,激发相应的行为进行避障,经过行为融合后得到可行的路径和速度值。其中趋向目标的行为采用模糊逻辑控制的方法,避障行为采用VFH方法加以实现。在计算过程中考虑了动力学与运动学约束条件,使得动态行为控制方法更加可行。仿真结果论证了所提出的方法的实时性与有效性。     

改进A*算法融合自适应DWA的移动机器人动态路径规划

为解决传统A*算法和传统动态窗口法（Dynamic window approach,DWA）在移动机器人路径规划中存在的问题,提出一种改进A*算法和改进DWA相结合的动态路径规划方法。首先,采用16邻域16方向的路径搜索方式扩大路径搜索视野,减少节点访问量和转角度数;其次,对启发函数进行优化,增强路径搜索的目的性;接着,采用冗余点删除策略,减少转折点数目,路径平滑度进一步提高,再使用B样条曲线对路径拐角进行处理,得到的路径较为平滑;然后,在DWA的评价函数中对障碍物进行分类并区别对待以及添加速度自适应因子,能够提高避障灵敏度;最后,通过与其他算法进行三部分仿真实验以及优先级策略仿真实验,验证改进A*算法的有效性和融合方法避障的优越性。     

基于场景理解与改进型BUG算法的移动机器人避障

针对现有移动机器人在视觉避障上存在的局限,将深度学习算法和路径规划技术相结合,提出了一种基于深层卷积神经网络和改进Bug算法的机器人避障方法;该方法采用多任务深度卷积神经网络提取道路图像特征,实现图像分类和语义分割任务;其次,基于语义分割结果构建栅格地图,并将图像分类结果与改进的Bug算法相结合,搜索出最优避障路径;同时,为降低冗余计算,设计了特征对比结构来对避免对重复计算的特征信息,保障机器人在实际应用中实时性;通过实验结果表明,所提方法有效的平衡了多视觉任务的精度与效率,并能准确规划出安全的避障路径,辅助机器人完成导航避障。     

融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

基于激光雷达的移动机器人避障控制研究

以VFH算法思想为基础,提出适用于激光雷达的数据处理算法,将其作为避障算法用于移动机器人的室内自主行进过程中;根据室内避障问题的特点,通过仿真研究设计了适用于室内避障的障碍物阈值规则;在移动机器人实验中发现,受室内地面环境影响,直接将仿真程序应用到移动机器人实际操作中,会出现打滑偏航乃至不能顺利到达目标点的严重后果;为此,根据航向角变化率提出了分段降速方法,应用该方法移动机器人在起始点与目标点可以自主移动,验证了算法的有效性与实用性。     

一种新颖的基于二分法和模糊控制的移动机器人避障系统

针对超声波传感器波束角窄导致移动机器人存在避障盲区的现状,研究了一种新颖的超声波避障系统。该系统采用六个超声波传感器构成特别设计的超声波阵列,实现无盲区检测中大型移动机器人前方及左右两侧障碍物的位置,充分保障运行安全性;同时在避障算法上,采用二分法和模糊控制相结合的控制算法,简化了模糊控制规则使系统具有很好的智能性和实时性,实现了移动机器人选择最佳避障路径并对新增的动态障碍物进行避障。将此避障控制系统应用于移动机器人上,实验结果表明：在未知环境下,实现对移动机器人周边的无盲区检测,并且能够实时根据周围障碍物的动态情况选择最佳避障路径,避免了其它避障控制算法中易出现的误避障和二次避障的情况。     

基于改进A*算法的无人机避障路径规划

近年来,物流行业的飞速发展,运输是物流的重要环节之一,根据数据显示,运输的成本占据整个物流成本的50%以上.无人机的使用有效的控制了运输成本,合理规划物流无人机的飞行路线,也起着至关重要的作用.在物流无人机的航迹规划中,必须保证无人机飞行过程中能够准确避开禁飞区.本文基于A^*算法,结合多种类型的禁飞区,设计出一种改进算法,能够找到任意两客户点间无人机避障飞行的最优路线.仿真结果表明,本文所设计的算法能够有效解决多类型禁飞区并存的无人机避障路径规划问题.