基于改进A*算法的移动机器人路径规划研究

A*算法广泛应用于移动机器人路径规划中，而传统A*算法在寻路时，普遍存在搜索时间较长、效率低下等问题，因此，采用双向搜索的方式，对传统A*算法加以改进，该算法在路径规划过程中，可同时进行正反向路径搜索，同时采用正反向搜索交替机制，保证了最终目标节点搜索在连线中点区域内相遇，从而缩短了寻路计算时间。在MATLAB平台上，针对改进后的A*算法进行仿真实验，结果证明，双向A*算法减少了规划时间，且可生成最优路径。最后，将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上，进行现场实验，实验结果表明，双向A*算法减少了寻路计算时间，从而使得路径搜索效率得到显著提升，且规划路径合理，满足路径规划要求。     

基于改进A*算法的移动机器人路径规划

为了解决较大场景下A^*寻路算法存在的内存开销大、计算时间长等问题,本文在A^*算法的基础上,结合跳点搜索算法,提出一种改进的A^*算法．该算法通过筛选跳点进行扩展,直到生成最终路径,扩展过程中使用跳点代替A^*算法中大量可能被添加到OpenList和ClosedList的不必要节点,从而减少计算量．为了验证改进A^*算法的有效性,分别在不同尺寸的2维栅格地图中进行仿真,仿真结果表明,相比A^*算法,改进A^*算法在寻路过程中扩展更少的节点,寻路速度更快,且加速效果随环境地图的增大更加明显．最后将改进A^*算法应用于移动机器人Turtlebot2进行对比实验．实验结果表明,在生成相同路径的基础上,改进A^*算法的寻路速度较A^*算法提高了约200%,能够满足移动机器人路径规划的要求．     

基于改进RRT*FN算法的机器人路径规划

针对固定节点数的渐近最优快速扩展随机数算法(RRT*FN)精度低、收敛到最优值速度慢等问题,提出一种改进的RRT*FN路径规划算法,并用于解决二维静态环境下的移动机器人全局路径规划问题.首先,改进算法使用与RRT*FN算法相同的均匀采样方法进行路径搜索,当搜索到一条初始路径时,在之后的路径规划中使用启发式采样方法.在之...     

融合改进A*算法和Morphin算法的移动机器人动态路径规划

在动态未知环境下对机器人进行路径规划,传统A*算法可能出现碰撞或者路径规划失败问题。为了满足移动机器人全局路径规划最优和实时避障的需求,提出一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法。首先通过改进A*算法减少路径规划过程中关键节点的选取,在规划出一条全局较优路径的同时对路径平滑处理。然后基于移动机器人传感器采集的局部信息,利用Morphin搜索树算法对全局路径进行动态的局部规划,确保更好的全局路径的基础上,实时避开障碍物行驶到目标点。MATLAB仿真实验结果表明,提出的动态路径规划方法在时间和路径上得到提升,在优化全局路径规划的基础上修正局部路径,实现动态避障提高机器人达到目标点的效率。     

基于多次采样启发式策略的改进RRT路径规划算法

在路径规划领域,快速探索随机树（RRT）算法是机械臂解决复杂环境中的路径规划问题的重要工具,然而其纯随机的采样环节导致大量的无效或低效尝试,浪费了计算资源。为解决此问题,提出一种基于多次采样启发式策略的改进RRT算法（MH-RRT）。利用启发式函数评估多个采样点的代价值,选择代价值最低的采样点,引导路径树更快地向目标点生长;将启发式函数策略类似地有效改进了RRT*算法和双向RRT*算法;深入探讨不同参数对改进算法性能的影响,并确定最优参数组合。实验结果表明,改进算法在路径搜索时间、路径长度以及采样点数量等方面均能取得显著提升,提高了路径规划的有效性。     

基于改进D^*算法的室内移动机器人路径规划

对于D^*算法,由于其本身存在一定的缺陷,例如,规划阶段的庞大计算量,所得路径转角相对较大、具有多次转弯数,且若目标点更换后,原有规划不宜再用,应再次作出规划等。因此,对此算法进行改进。基于沃罗诺伊路线图法,将目标环境分解为多个局部环境,选取局部路径目标点时,以局部环境关键节点为主,对于无用节点,采取舍弃操作。使D^*算法的改进基于两点,即子节点选定方式、启发函数的改进,同时最大程度确保路径平滑。仿真结果表明,在转角度数、转弯次数上均有优化,规划时间缩短,路径质量提高,适当保持与障碍物的距离,机器人执行任务的安全性得到保障。在目标点变更后,利用沃罗诺伊路径路线图,机器人以更小的计算量抵达新的目标点。     

改进双向动态JPS算法的移动机器人全局路径规划

针对跳点搜索(jump point search, JPS)算法在寻路过程中所存在的路径拐点多、中间搜索跳点数多、寻找跳点的过程中扩展节点数多和寻路时间较长等问题,提出改进双向动态JPS算法。改进算法动态定义正、反扩展方向上的目标点,动态定义启发函数,并利用动态约束椭圆对算法的扩展区域加以限制,以区分椭圆内、外区域的扩展优先级。在算法从起点和目标点两个方向上分别向对方进行扩展的过程中,以寻找到的新的代价最小点为新椭圆的焦点,椭圆的方位和约束区域也随之动态调整。仿真结果表明,经过优化改进的双向动态JPS算法在一般地图中有一定的表现,在障碍物较少且目标点距离起点较近的室内环境地图中表现尤为良好。     

目标偏置双向RRT*算法的机器人路径规划

针对RRT*和B-RRT*算法在较复杂环境下路径规划时,存在搜索时间长、采样效率低和规划路径曲折的问题,提出一种目标偏置双向快速扩展随机树算法——GBB-RRT*(goal biased bidirectional RRT*).该算法每次迭代中两棵随机树都进行扩展,一次迭代能生成两个新节点,加快扩展速度.然后引入目标偏...     

基于路径优化D* Lite算法的移动机器人路径规划

采用D*Lite算法规划出的路径并不平滑,且预规路径与障碍物均十分接近.除此之外,在动态环境下时,由D*Lite算法重规划得到的路径也离障碍物距离很近,十分容易发生碰撞.针对此问题,引入懒惰视线算法与距离变换相结合的方法改进D*Lite算法.首先,对地图进行距离变换,并引入距离值的启发式代价,使得距离障碍物较远的节点优先被选择.然后,在扩展节点时引入视线算法,增加本地父亲节点和远程父亲节点的概念,使得路径不局限于八邻域扩展,从而进化为任意角度路径规划算法;最后,在遇到未知障碍物时进行局部距离变换,结合启发距离值信息进行重规划,使得重规划得到的路径远离突现的障碍物.仿真实验表明,在不同环境下规划所得到的路径均十分平滑与安全.     

基于改进A*算法的移动机器人路径规划

针对A*算法在路径规划中存在遍历节点数过多、转折角度较大的问题,提出一种能自适应场景地图的改进A*算法。通过量化地图场景信息和障碍物分布情况,引入父节点对当前节点的影响力,增加障碍物分布率的启发函数权重,减少遍历节点数量、提高搜索速度;加入转弯惩罚函数、扩展邻域优先级搜索和冗余节点平滑策略对路径进一步优化,避免路径出现多余转弯,降低路径出现局部最优解的可能。在相同地图场景中进行测试对比,所提算法能有效减少遍历节点数量,降低总转折角度,提高搜索速度,缩短路径距离,获得最优路径。     

基于理论最短距离变权重A*算法的路径规划

在栅格化的障碍物地图中,将简单高效的A*算法引入解决路径规划问题。为了提高路径规划效率,减少搜索节点数量,提出了一种在规定的椭圆区域内,基于理论最短距离动态改变A*算法中估价函数权重的最短路径算法。该算法将搜索范围限定在规定的椭圆区域内,椭圆以起点和终点为焦点,利用统计分析与路径中障碍物尺寸相结合的方法计算长轴参数。将各节点实际代价权重赋予动态变化的权值,以实际代价与起点 到终点 的直线距离的比值为该点权重,且规定了上下限以保证搜索精度。同时,对节点估计代价赋予惩罚函数,远离理论最短路径距离的节点将获得较大的惩罚值,使最终路径靠近理论最短路径。通过仿真实验证明,该算法在保证搜索精度的前提下,大大提高了搜索效率。     

基于改进A*算法的无人车路径规划

传统的A^*算法在无人车路径规划中存在规划时间较长和搜索范围较大的缺点。综合分析A^*算法的计算流程后,从四个方面对A^*算法进行改进：1）目标性拓展,即根据待扩展节点和目标节点的相对位置来有目标性地选择不同的象限进行节点拓展;2）目标可见性判断,即判断待扩展节点与目标点之间有无障碍物,若无障碍物则跳出A^*算法的探索过程,以此减少多余的搜索;3）改变A^*算法的启发函数,即增加待扩展节点的n辈父节点到目标点的代价估计,以此减少到目标点的代价估计的局部最优情况;4）改变扩展节点的选取方略,即改变传统的最小化启发函数来选择扩展节点的方式,通过引入模拟退火法来优化扩展节点的选择方式,使得搜索过程尽可能向靠近目标点的方向进行。最后通过Matlab仿真实验结果表明,在模拟的地图环境下,提出的改进A^*算法在运行时间上减少67.06%,经历的栅格数减少73.53%,优化路径长度浮动范围在±0.6%。     

基于改进遗传算法的AGV路径规划

为解决基本遗传算法在规划AGV运行路径时存在早熟收敛的问题,对基本遗传算法进行改进优化。用模拟退火法进行种群选择,提高种群的差异性;改进交叉、变异算子自整定策略和精英策略,提高算法的收敛速度;在适应度函数中加入路径曲折度、路径繁忙度和车辆负重度等多个规划指标,使规划出的路径更符合实际。将优化后的算法与基本遗传算法进行比较,仿真结果表明,改进后算法在AGV路径规划中具有高效性。     

基于机器视觉和A*算法的迷宫机器人路径规划

针对迷宫机器人路径规划问题,以机器视觉和A*算法为基础,提出了一种新的迷宫机器人全局路径规划方法。该方法利用区域阀值分割对迷宫机器人系统采集的图像进行分析,结合A*算法逆向搜索全局最优路径。仿真结果表明,该方法实现简单,在复杂的迷宫环境下能有效地实现迷宫机器人路径规划。     

基于时间窗的AGV动态避碰路径规划方法

为了解决多AGV在动态不稳环境下的无碰撞路径规划和系统效率提升的问题,提出了基于时间窗的AGV无碰撞路径规划方法。首先建立了多AGV的避碰模型,并结合时间窗模型,将多AGV的无碰撞路径规划分为预先规划和实时规划两阶段,预先规划阶段进行多AGV无冲突时间窗的计算和最大化系统中AGV的流通量,实时规划阶段通过改变AGV在避碰模型上的占用优先级和局部重规划的方法进行动态避碰。最后以某智能仓储为应用案例进行仿真实验,证明了该算法能有效避免多AGV的碰撞,提高AGV的流通量,同时在动态环境下具有较好的鲁棒性和柔性。     

基于拓扑栅格建模的AGV路径规划算法优化

为解决不规则布局的智能制造车间中自动导引车(automated guided vehicle,AGV)的路径规划问题,提出一种实现AGV路径规划的双层环境建模方法,在此基础上对其路径规划算法进行有效改进,改进算法附加考虑路径的平滑度,提出模拟退火的种群选择方法。通过仿真实验验证,改进后的算法规划出的路径更加平滑,有效避免了传统遗传算法易陷入局部最优的缺陷。仿真实验还验证了改进算法的有效性区间,当障碍物栅格占全环境比小于等于40%时,改进算法比传统遗传算法有效,在此范围内,障碍物占比越高,算法有效性越好。     

基于分层路网的路径规划算法

为了提高路径规划的效率,提出了一种基于分层路网的二叉堆管理开启列表启发搜索算法。首先根据路网分级特点的存在,建立分层地图数据库,然后以启发式A*算法为主搜索方式,结合优先队列二叉堆来管理开启列表,完成路径规划。通过实验对比不同路径规划算法的平均耗时显示：启发式A*算法的效率是盲目式Dijkstra算法的4倍左右,同时在算法中引入二叉堆至少节省5%的规划时间。分层策略使快速路段所占比例达到90%以上,且将路径规划耗时控制在3s以内。实现结果表明,所提算法具有很高的运行效率,同时能满足驾驶者多走快速路段的行车心理。     

基于自适应混沌遗传算法的路径规划

如何保证在未知复杂环境下规划出的机器人路径全局最优或较优一直是这一领域的一个研究难题,将混沌理论和遗传算法相结合,提出了一种新颖的基于自适应混沌遗传算法的机器人路径规划算法。利用信息熵产生初始群体,增加初始群体的多样性,将混沌优化的遍历特性引入遗传算法,以防止和克服进化过程中的“早熟”现象。仿真实验表明,即使在复杂的未知环境下,利用该算法也可以规划出一条全局优化路径,且能安全避碰。