动态环境下移动机器人路径规划的改进蚁群算法

研究动态环境下移动机器人路径规划问题,采用栅格法对机器人工作空间进行建模,在使用蚁群算法进行全局路径搜索过程中引入人工势场的概念,使蚂蚁对最优路径更加敏感;机器人针对动态环境中可能出现的不同类型障碍物分别执行不同的避障策略;同时提出一种最优路径预测模型用于预测在避障过程中是否出现新的最优路径。算法结合人工势场法和蚁群算法的特点,将全局路径规划与局部路径规划相融合以提高路径搜索的效率。仿真结果验证了该算法的有效性。     

物品自动运送机器人原型系统的局部路径规划研究

描述了一种基于多边形环境模型 ,以机器人运动过程中的转弯次数最少为优化目标 ,采用广度优先搜索技术的 MT局部路径规划算法以及相应的复杂实际环境建模方法 ,并将其应用于目前正在研制的物品自动运送机器人 (ACR)原型系统。仿真实验表明 ,本文所描述的 MT算法以及相应的环境建模方法对 ACR原型系统的局部路径规划问题而言不失为一种良好的解决方案     

基于A*算法和人工势场法的移动机器人路径规划

针对复杂非结构化环境下移动机器人的路径规划问题,提出了将全局与局部规划算法相融合的路径规划方法。首先,对传统A*方法进行了有效的改进,新的A*算法能够完成机器人的路径规划任务,利用二次A*搜索方法得到了优化后的路径点,缩短了移动机器人的行驶路径。进一步,动态切点法可以有效地对已规划路径进行平滑处理;然后,综合考虑路径和环境的情况,采用改进的人工势场方法对移动机器人进行了局部路径规划,通过增设虚拟子目标的方法解决局部极小值问题,利用自适应步长调节算法对移动机器人的步长进行了动态优化;最后,针对不同场景,利用数值仿真将该算法与传统算法进行比较,结果表明该算法在不同环境路径规划的问题上具有一定的先进性和优越性。     

基于模拟退火算法的割草机器人的避障研究

局部路径规划是割草机器人关键问题之一,针对该问题目前运用较多的是人工势场法,但传统的人工势场法往往存在局部极小点,因此,本文提出采用填平势场与模拟退火算法相结合的解决策略,求解势场强度的最小值作为下一行走目标,多个序列目标构成优化路径,引导机器人脱离局部极小点,绕过障碍物到达目标点。仿真结果表明:该算法不仅有效地克服了局部极小点,且优化了机器人的行走路径、降低了路径的复杂度。     

改进人工势场的机器人路径规划

为了克服人工势场法的缺陷、提高其路径规划性能,提出了改进的人工势场法。分析了人工势场法原理,针对其目标不可达问题,将机器人与目标点距离引入到斥力场函数,得到了改进的斥力场函数;针对局部最小值问题,引入逃逸力;为进一步提高算法性能,使用遗传算法优化参数设置,使得规划路径更加平滑;根据环境复杂度,提出了自适应步长调节算法。使用仿真实验对改进算法进行了验证,结果表明,改进算法可以克服传统算法目标不可达、局部最小值问题,而且改进算法路径更加平滑,自适应步长算法在路径规划中行走61步到达目标,固定步长法行走145步到达目标,充分说明了改进算法的优越性。     

基于粒子群优化算法的小型足球机器人路径规划

为了解决足球机器人无法躲避动态障碍物和容易陷入局部极值的问题,在深入研究粒子群优化算法的基础上,提出了采用栅格法与粒子群优化算法相结合的路径规划算法。首先采用栅格法对小型足球机器人工作环境构造模型,再利用改进的粒子群优化算法进行最优路径搜索。该算法实现简单,收敛速度快,不易陷入局部极值,不仅能够满足足球机器人实时动态的路径规划要求,而且能满足不同环境下的路径规划要求。仿真实验表明,该方法可以很好地应用于足球机器人的路径规划中。     

解决路径规划局部极小问题的势场栅格法

路径规划作为移动机器人顺利完成作业任务的前提,成为了机器人控制领域的研究重点和热点问题。人工势场法以其简洁性和有效性在路径规划中普遍应用,然而由于移动机器人对周围环境信息感知的局限性,容易导致局部极小问题的出现。针对此问题,提出了解决路径规划局部极小问题的势场栅格法。首先对机器人的工作环境进行栅格划分,然后应用改进后的人工势场法为每个栅格赋予势场值,机器人通过搜索势场值的下降方向不断接近目标点,接着采用赋最大值法对局部极小区域的栅格重新赋值,降低搜索的盲目性,使机器人以最优路径到达目标地点。对相同环境下的传统算法与改进算法进行仿真实验对比,结果表明无论是在有、无极小区域,或是目标点在障碍物附近,改进后的算法均可以成功规划出路径,且有效解决了传统人工势场法所面临的局部极小问题。     

融合改进A^(∗)算法与动态窗口法的机器人避障研究北大核心CSCD

针对机器人在全局未知环境的路径规划中无法进行实时动态避障的问题,提出一种将改进的A^(*)算法与动态窗口法融合的机器人避障方法。首先将传统A^(*)算法3×3搜索领域扩展至5×5搜索领域,并将16个搜索方向进行取舍至9个,同时优化启发函数,通过优化时间复杂度来提升A^(*)算法搜索效率;然后进行冗余节点移除操作,剔除机器人路径中的多余拐点和共线的点;改进后的A^(*)算法较传统A^(*)算法平均减少了65.805%的路径规划时间和4.967%的路径长度。最后将改进的A^(*)算法与动态窗口算法进行结合,使得机器人具有动态避障能力,且保证机器人在局部避障的过程中得到全局路径规划的最优解。     

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。     

机器人导航的自主选择搜索策略蜂群规划算法

为了减少机器人导航路径长度和路径规划时间,提出了基于自主选择搜索策略蜂群算法的规划方法.分析了人工蜂群算法原理,依据蜜蜂从自身认知、种群认知和其他个体认知等多种环境认知方式,对应给出了多种蜜源搜索方式;通过建立不同蜜源搜索方式的即时价值和后效价值模型,计算了蜜蜂选择不同蜜源搜索方式的概率,从而给出了蜜蜂对蜜源搜索方式的...     

移动机器人全覆盖路径规划算法研究

针对静态未知环境下移动机器人全覆盖路径规划问题,提出了一种改进优先级蚁群算法.该算法首先通过机器人本体上的传感器构建基于动态栅格法的工作环境;综合考虑栅格属性、机器人转向、邻域栅格距离和未覆盖区域面积大小的基础上构造优先级启发规则,然后利用该规则进行路径全覆盖工作.针对机器人工作过程中出现的死锁问题,文章提出采用蚁群算...     

局部环境增量采样的服务机器人路径规划

针对室内服务机器人在未知动态环境中工作时的功能需求,提出了一种局部环境增量采样的路径规划算法。该方法首先依据当前环境构建基于障碍物碰撞风险的评估概率;然后在搜索树扩展的过程中,设计了结合碰撞风险评估概率和欧氏距离的代价函数,避免了每次扩展时新节点和潜在扩展边的碰撞检测,提高了算法效率;同时,搜索树扩展借鉴了快速随机扩展图算法的扩展方式,实现在当前搜索树结构下的最优扩展;另外,提供了算法的性能分析。最后,仿真及实验结果表明该方法具有良好的规划性能,需要较少的计算时间和平均迭代次数,能够满足室内服务机器人实时路径规划的工作需求。     

改进人工势场法在未知环境中的路径规划研究

针对机器人路径规划中路径震荡的问题,提出添加角度过滤器的方法减轻路径震荡的程度,利用在计算引力时采用不同增益系数的方法进一步减轻了路径震荡.而对于局部极小点问题,提出采用添加虚拟目标点的方法引导机器人走出陷阱区域.最后,在 MATLAB 环境下进行仿真,仿真结果表明改进算法的有效性.     

基于混合智能算法的三自由度移动机器人的路径规划

基于最近优先(best-first)算法和遗传算法,提出了一种路径规划的混合智能算法。首先,基于最近优先(best-first)算法进行路径点搜索,当遇到局部极小点时,采用遗传算法进行局部极小点的逃离。该混合智能算法成功地应用于三自由度机器人的路径规划中,仿真实例表明该方案的可行性与有效性。     

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。     

自适应蚁群算法在轮式机器人三维路径规划中的应用

为了优化轮式机器人三维路径,进行了特殊三维空间有效路径设计,提出了自适应蚁群算法(AACS)。并将该算法应用于三维空间机器人路径规划中,将轮式机器人所处位置与目的点之间的空间划分成带有坡度角的立体网格,定义其有效路径,形成TSP模式。自适应蚁群按TSP模式搜索从原点到目的点之间的最短路径。实验表明:自适应蚁群优化方法克服了传统蚁群算法易陷于局部极值、搜索质量差和精度不高的缺点,提高了收敛速度和精度,输出稳定性好,可以解决轮式机器人在三维实际工作环境中的路径优化问题。