未知环境中智能体的路径规划

用滚动规划方法解决全局环境未知时的智能体路径规划问题。该法充分利用智能体实时探测的局部环境信息,以滚动方式进行在线规划,大大减小了在线运算量;通过适当加入记忆,能保证规划的全局可达性。仿真结果表明了算法的快速性高效性。     

动态未知环境中移动机器人的滚动路径规划及安全性分析

借鉴预测控制滚动优化原理,研究了全局环境未知且存在动态障碍物情况下的机器人路径规划问题.提出的基于滚动窗口的移动机器人路径规划方法充分利用机器人实时测得的局部环境信息,以滚动方式进行在线规划,合理结合了优化与反馈,对动态环境具有良好的适应性.还对规划算法的安全性进行了分析.     

一种克服振荡与死循环的机器人实时路径规划方法

本文研究了一般障碍环境下全局信息未知的机器人路径规划问题,分析了基于实时探测信息的滚动路径规划算法可能遇到的振荡和死循环现象,提出了增加适量记忆的改进滚动路径规划算法,不仅有效地克服了振荡和死循环的发生,而且保证了机器人对全局目标的可达性,为移动机器人在一般未知障碍环境下的路径规划提供了快速、有效的方法.     

一种动态窗口下改进的机器人路径规划

提出了蚁群路径规划算法中一种动态候选解窗口的方法。该方法首先在固定均匀分布候选解的窗口上划分成若干分块,接着将负责路径规划的主蚁群的候选决策点看作一系列具有候选解属性的蚂蚁,再用该蚁群算法根据每分块上所有候选解上游连接边上的信息素及其启发信息以一定概率动态分布候选决策点,从而细化候选解,最终使蚁群能搜索到一条更好的路径解。仿真实验和对比的结果表明,动态候选解窗口方法比固定均匀分布候选解的方法可获得更优的性能。     

基于局部探测信息的机器人滚动路径规划

用基于滚动窗口的路径规划方法研究了全局环境未知时的机器人路径规划问题.该法充分利用机器人实时测得的局部环境信息,以滚动方式进行在线规划,实现了优化与反馈的合理结合.文中分析了不同凸障碍环境下滚动路径规划子目标选择策略,并且还探讨了规划算法的可达性.     

未知环境下移动机器人遍历路径规划

为提高未知环境下移动机器人遍历路径规划的效率,提出了一种可动态调节启发式规则的滚动路径规划算法.该算法以生物激励神经网络为环境模型,通过在线识别环境信息特征,动态调用静态搜索算法和环绕障碍搜索算法,有效减少了路径的转弯次数.引入虚拟障碍和直接填充算法,解决了u型障碍区域的连续遍历问题.最后通过仿真实验表明了该方法在未知复杂环境下的有效性.     

部分环境信息未知下的机器人动态路径规划算法

良好的移动机器人路径规划技术不仅可以节省大量的时间,还可以减少移动机器人的磨损和资金投入。传统A*算法只能在完整的导航环境信息已知时进行静态路径规划,而包括强化学习(Reinforcement Learning, RL)在内的元启发式算法虽然能够根据实时信息进行动态路径规划,但其参数调试费时费力,且在没有全局最优路线引导的情况下,很容易陷入局部最优解,而无法达到目的地。针对总体布局已知、障碍物分布信息未知的场景,提出了一种结合A*算法和RL中的近端策略优化(Proximal Policy Optimization, PPO)算法的动态路径规划算法。仿真实验表明,与通常的RL算法相比,该算法所需的训练期数较少,且能根据实时的障碍物信息规划出高效、安全的路径。     

一种未知环境下的移动机器人路径规划方法

针对同时存在全局与局部环境的移动机器人路径规划问题,提出了一种分层路径规划方法.采用改进势场-蚁群融合算法进行规划.首先,在全局环境下采用改进蚁群算法进行路径规划,为了解决蚂蚁在搜索过程易陷入"死锁"的缺陷,提出屏蔽U型陷阱措施;在启发函数中加入目标点信息,使得目标点在整个规划过程对蚁群有引导作用,能够避免蚁群陷入局部...     

动态环境下机器人路径规划的一种新方法

提出了一种动态环境下实用于机器人路径规划的新方法。该方法先利用链接图法对环境建模,再通过遗传算法搜索出全局最短路径。然后在机器人行进过程中再分别遇到障碍物的类型不同而采取不同的局部路径规划策略完成避障,同时顺利达到目的地。仿真表明该方法具有可行性。     

动态未知环境中移动机器人的滚动路径规划

本文借鉴预测控制滚动优化原理,研究了全局环境未知且存在动态障碍物情况下的机器人路径规划问题．文中提出的基于滚动窗口的移动机器人路径规划方法充分利用机器人实时测得的局部环境信息,以滚动方式进行在线规划,实现了优化和反馈的合理结合,对动态环境具有良好的适应性．     

未知环境下移动机器人实时路径规划

针对在未知环境下实现移动机器人实时的路径规划问题,提出了一种将快速扩展随机树（RRT）算法与视野域自适应的滚动窗口相结合的路径规划算法。该方法实时获取滚动窗口内的局部环境信息,根据环境的变化,滚动窗口视野域进行自适应调整,通过分析滚动窗口内传感器获取的信息,结合改进后的RRT算法筛选出可行的路径,控制移动机器人到达子目标点,在此过程中动态监测规划好的路径,确保路径合理,并重复上述过程,直至到达目标区域。实验对比分析表明,该方法能实时并有效实现未知环境下移动机器人的路径规划。     

Sub-optimality analysis of mobile robot rolling path planning

Rolling planning is an efficient method for path planning in uncertain environment. In this paper, the general principle and algorithm of mobile robot path planning based on rolling windows are studied. The sub-optimality of rolling path planning is analyzed in details and explained with a concrete example.     

基于传感器信息的水下机器人滚动路径规划

针对环境中障碍物为任意形状的水下机器人路径规划问题,提出了基于传感器信息的水下机器人滚动路径规划方法,该法充分利用传感器在每一采样时刻的规划窗口内实时探知的环境信息,用模糊控制方法给出机器人下一步的行走方法,探讨了凹形障碍区域中机器人的逃离方法,仿真结果表明了所提方法是有效的。     

移动机器人动态路径规划方法的研究与实现

针对在未知动态障碍物存在且目标点移动的环境下,采用人工势场法规划路径时斥力影响半径往往大于障碍物的半径从而导致动态障碍物与机器人发生碰撞的问题,提出非完全等待策略与Morphine算法相结合的改进人工势场法动态路径规划策略。当动态障碍物与机器人发生侧面碰撞时采用非完全等待策略;当动态障碍物与机器人发生迎面碰撞时采用Morphine算法局部规划路径;同时引入滚动窗口理论提高躲避动态障碍物的精确度。通过仿真实验,与传统人工势场作对比,提出的改进算法在发生侧面碰撞时要缩短12步,在发生迎面碰撞时要缩短6步,由此可得提出改进算法在路径平滑性和规划步数方面效果更优。     

Dyna-Q-based vector direction for path planning problem of autonomous mobile robots in unknown environments

Reinforcement learning (RL) is a popular method for solving the path planning problem of autonomous mobile robots in unknown environments. However, the primary difficulty faced by learning robots using the RL method is that they learn too slowly in obstacle-dense environments. To more efficiently solve the path planning problem of autonomous mobile robots in such environments, this paper presents a novel approach in which the robot’s learning process is divided into two phases. The first one is to accelerate the learning process for obtaining an optimal policy by developing the well-known Dyna-Q algorithm that trains the robot in learning actions for avoiding obstacles when following the vector direction. In this phase, the robot’s position is represented as a uniform grid. At each time step, the robot performs an action to move to one of its eight adjacent cells, so the path obtained from the optimal policy may be longer than the true shortest path. The second one is to train the robot in learning a collision-free smooth path for decreasing the number of the heading changes of the robot. The simulation results show that the proposed approach is efficient for the path planning problem of autonomous mobile robots in unknown environments with dense obstacles.     

未知环境下机器人路径规划的粒子群优化

研究了全局静态环境未知时机器人的路径规划问题,提出了一种新颖的基于粒子群算法的滚动规划算法。该方法在机器人视野域内产生若干个同心圆进行环境建模,然后利用粒子群优化算法规划出一条导航路径,机器人每前进一步,都由粒子群优化算法重新规划导航路径,因此,机器人前进路径不断动态修改,从而能使机器人沿一条全局优化的路径接近终点。仿真实验结果表明,即使在障碍物非常复杂的地理环境,用该算法也能迅速规划出一条优化路径,且能安全避碰,效果令人满意。     

基于遗传算法的移动机器人动态路径规划研究

针对移动机器人未知、动态环境下路径规划的难题,对移动机器人进行了系统设计,采用动态栅格法对环境建模,在对传统遗传算法进行一定的改进的基础上,个体评价函数采取可行路径适应度函数和不可行路径适应度函数分别进行处理,通过算法设计和仿真可知,采用该方法对移动机器人进行动态路径规划时,与任何障碍物不发生碰撞,路径短而且规划曲线平滑,达到了满意的规划效果和收敛速度。     

机器人在线路径规划改进算法

未知环境下机器人路径规划要求实时有效,针对传统动态窗口滚动优化算法易出现局部最小、震荡等问题,重新设计了子目标映射法则,并对局部路径规划算法引入对角线距离作为代价函数中的启发式部分,最后引入了禁忌搜索和多样化随机路径选择模块,克服了局部最小和震荡等问题,仿真实验证明了该算法可靠有效。     

提高移动机器人路径规划效率的方法

针对传统遗传算法存在的初始种群数目庞大,寻优效率和收敛速度慢的缺点,提出了一种基于粗糙集约简决策规则和删除冗余属性的方法。首先建立基于特定栅格法的环境模型,获得机器人路径规划的初始决策表,然后根据粗糙集约简推导最小化决策规则,并用于训练初始种群。最后利用遗传算法优化初始种群,获得最优规划路径。分别在简单和复杂的环境模型下进行了实验,仿真结果表明该方法能够大大减小遗传算法初始种群的规模,缩小算法搜索范围,提高遗传算法的收敛速度和寻优效率,验证了该方法的可行性和优越性。