融合改进RRT和Dijkstra算法的机器人动态路径规划

针对传统RRT算法在规划中随机性过大,节点利用率低且得出的路径并非最优等问题,从3个方面进行改进。首先,针对RRT在随机点采样过程中无方向性的问题,设置目标节点采样率,每次采样时目标点有几率成为采样点,使路径可以快速接近目标点;其次,动态设置步长使机器人能根据周围障碍物数量动态调整步长,减少迭代步数;最后,在得到RRT算法规划出的一条可行路径后,向周围扩展可行区域,将可行区域栅格化,通过Dijkstra算法找出可行区域中的最短路线,优化RRT算法得出的路线。最后将所获得的全局路径分段采用动态窗口算法。将RRT-Dijkstra融合算法与RRT算法、Dijkstra算法以及动态窗口算法在路径拐点数量以及路径长度等方面进行对比。实验表明,RRT-Dijkstra融合算法更高效,得到的路径更优。结合动态窗口算法后且能实现动态避障。     

融合改进RRT和动态窗口法的路径规划算法

针对传统RRT算法在规划中随机性过大,搜索时间过长且不能够实现动态避障等问题,从3个方面进行改进。针对RRT算法搜索树扩展方向过于随机,根据以起始点与目标点为对角线的矩形中的障碍物占比向目标点方向扩展,分别在有障碍物与无障碍物的环境中与传统RRT算法对比,验证改进算法的高效性;对改进算法规划的路径进行关键节点提取,并按照关键节点进行优化;将优化后路径分段使用改进动态窗口法。将融合算法与传统动态窗口法以及RRT算法在路径拐点数量以及路径长度等方面进行比对,结果表明:融合算法具有高效性且在规划的路径中加入临时障碍物时,移动机器人也能很好地避开。     

基于改进蚁群算法的移动机器人路径规划

针对动态未知环境下机器人路径规划中存在的不足,提出一种全局规划和局部规划相结合的混合型规划方法。全局规划中,针对基本蚁群算法易陷入局部最优以及易陷入U型或V型障碍物的缺陷,提出采用夭折策略对基本蚁群算法进行改进,并采用改进的蚁群算法离线规划出一条粗略的全局优化路径,将该"粗"路径分解为局部规划各个阶段的子目标。局部规划中,机器人实时探测局部环境信息,应用滚动优化原理,不断修正运动路线,使机器人在每一时刻的滚动窗口内都避开障碍物向子目标点运动,把整体的寻优分解为各个滚动窗口内的局部寻优,克服了全局规划不能追踪动态信息的缺点。仿真结果表明,该方法可行且具有良好的稳定性。     

基于竞选算法的移动机器人路径规划

提出了一种路径规划的新方法,利用链接图法(MAKLINK Graph)建立规划环境模型,将规划分为两个层次:用E.W.Dijkstra算法求链接图的最短路径,得到初始路径点;用竞选算法来调整各个初始路径点,得到最优的或近似最优的移动路径点.分析结果表明该方法是有效的.     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法在移动机器人路径规划中存在的稳定性不足、收敛速度慢、前瞻性差,易过早陷入局部最优等问题,优化改进了传统的蚁群算法.通过改进转移概率来优化转移规则,让蚂蚁可以精准地搜索到下一个最佳栅格位置;采用基于无限步长原理的新启发式信息来扩展视野,提高可见性精度;另外,改进算法还采用了新的信息素更新规则以加快收敛速度,扩...     

基于改进动态窗口法的移动机器人避障研究

动态窗口法(Dynamic Window Approach,DWA)是一种移动机器人速度采样的局部避障算法,基于DWA算法的移动机器人避障存在时间长以及在密集障碍物区无法选择最佳路径的缺点.基于此,提出一种改进的DWA算法,对移动机器人避障效果进行优化.首先根据单线激光雷达观测到的障碍物的方位信息以及设计的计算准则确定...     

动态环境中移动机器人路径规划研究综述

路径规划是移动机器人技术中的一个重要课题,而动态环境中的路径规划问题则是该领域内一个富有挑战性的研究方向,它在自主移动机器人、自治水下机器人和星球探索机器人等领域具有广泛的应用前景。综述了动态环境中移动机器人路径规划研究的主要内容及其发展动态,从算法策略的角度,将该问题概括为基于智能计算的路径规划,基于行为、学习心理的路径规划,随机采样路径规划和混合路径规划。具体分析了各种算法的原理,指出其优缺点和有待进一步研究的问题,并提出一些解决思路。     

基于改进蚁群算法的果园移动机器人路径规划研究

蚁群算法作为一种模仿蚂蚁觅食行为的仿生算法,常常被人们优先用于路径规划。但是,普通蚁群算法计算量大,容易出现局部最优化。为了提高最短路径搜索速度,建立了新的基于方向夹角的启发因子,使得蚂蚁优先选择夹角小的节点作为下一移动节点;同时采用了较复杂的对角线距离的倒数作为新的启发式因子,该距离公式无需进行平方根运算,求解简单,再一次提高了搜索效率。实验表明:在同等最短路径的情况下,与原蚁群算法相比,最短路径的搜索效率提升了3倍。满足在复杂果园环境下移动机器人的实时路径规划需求。     

基于改进蚁群算法的移动机器人路径规划

在考虑传统蚁群算法搜索路径时存在找到收敛速度慢、拐点多且不能动态避障等问题,提出一种基于拉普拉斯分布与动态窗口融合的蚁群算法来解决机器人路径规划。首先,在启发信息中加入当前节点、下一节点以及目标节点信息,并加入动态调节因子,使得启发信息在前期引导性强,信息素在迭代后期引导性强;其次,在蚁群算法信息素更新中引入拉普拉斯分布调节信息素的挥发,加快收敛速度;对蚁群算法得到的路径进行双向冗余节点删除,提高路径平滑度,最后,将改进的蚁群算法与改进动态窗口算法融合,使机器人安全到达终点。仿真表明,在相同地图环境中,蚁群算法与基本蚁群算法相比较路径长度相比减少了26.3%,路径拐点减少了77.7%,更适用于复杂环境。     

基于改进RRT算法的室内移动机器人路径规划北大核心

针对RRT(rapidly-exploring random tree)算法路径规划时间长,采样点利用率低,最终生成的路径曲折等问题,提出了一种改进RRT算法。采用基于动态概率的采样策略,避免机器人在采样的过程中陷入局部极小值;同时提出了变步长的随机树扩展策略,减少了采样点数量;最后,使用五次贝塞尔曲线对路径进行平滑处理,使最终生成的路径利于机器人移动。在MATLAB平台上进行仿真分析,并使用基于ROS的移动机器人进行实验,将改进RRT算法与RRT算法、目标偏向RRT算法进行对比。仿真结果表明改进RRT算法规划的路径长度减少了23.09%,规划时间减少了87.16%,并且路径更平滑。     

一种改进灰狼优化算法的移动机器人路径规划方法

针对移动机器人路径规划中存在易陷入局部最优、收敛速度慢、搜索路径消耗成本较大等问题,提出一种改进的灰狼优化算法对移动机器人进行路径规划.建立移动机器人避障路径规划二维空间模型,将灰狼优化算法中的线性收敛因子转变为非线性收敛因子,并将灰狼优化算法与粒子群算法结合,给予Omega狼意识;加入协同量子化优化灰狼群体;采用4类...     

基于模糊决策法的移动机器人路径规划方法

对基于模糊决策法的移动机器人实时路径规划的方法进行了探讨。移动机器人在其运动前方180°的范围进行实时探测,得到环境信息,通过路径规划选择器,选择合适的模糊决策进行实时规划。上述过程通过计算机仿真得到了较满意的结果。     

增强蚁群算法在移动机器人路径规划的应用研究

针对蚁群算法在移动机器人路径规划中存在的历史路径不能被充分利用的问题,提出一种具有通信机制的增强型蚁群算法。根据自然界中蚂蚁触手的接触特性,对历史路径进行整合,以获得更优的复合路径。为了进一步改进算法,提出一种放大的轮盘赌方法来加速收敛。设计自适应的Sigmoid衰减函数来优化不同阶段的启发式信息。针对死锁问题的各种类型,制定了具体的优化策略并减少了死锁蚂蚁的数量。最后进行了参数确定和对比实验,在简单环境和复杂环境下,所提算法的整体性能明显提高,实验结果证明了所提方法的有效性。     

融合动态窗与改进RRT的全位置机器人路径规划算法研究

针对传统RRT算法在无人车、无人船等自适应路径规划中的随机性导致树枝生长缺乏目标方向性问题,提出一种改进RRT算法与动态窗口相结合的混合算法,考虑其随机树生长过程中存在大量的冗余点,使得路径曲折、不平滑,基于子目标点选取策略研究一种过滤多余节点的算法;为了满足无人车、无人船行驶的安全性,建立安全阈值距离模型,避免与障碍物发生碰撞。对所提出的方法进行仿真实验,结果表明:改进的RRT算法能够在复杂的动态环境下生成有效的可行路径,与传统RRT算法相比较,它使搜索效率提高了43%,规划路径平滑度明显提升,能够实现动态环境中无人车、无人船在线实时路径规划。     

基于人工势场法的移动机器人路径规划研究

基于人工势场法的移动机器人路径规划具有目标不可达、在障碍物前振荡、存在局部极小值等问题。通过分析振荡现象产生的原因以及局部极小值点存在的原因,提出一种基于人工势场模型、采用量子粒子群算法来选择人工势场模型参数的算法,从而克服人工势场法的模型缺陷,实现路径的优化。仿真结果表明,该方法能有效地提高路径规划的性能。     

一种移动机器人路径规划方法

本文提出了一种新的移动机器人路径规划方法。采用链接图法，对工作空间进行建模，得出从起始点到目标点的网络有权图，再利用Dijkstra算法决策出初始全局优化路径，并提出了一种简单的几何方法对其进行优化；局部规划采用基于行为和模糊规则库的方法，采用基于模糊规则的避障行为来实时避障，当无障碍威胁时又寻找全局路径上最近节点回到全局路径上，实验结果证明该方法节省系统计算时间，是一种简单的、较优的路径规划方法。     

基于ROS与融合算法的AGV路径规划研究北大核心

针对传统A^(*)算法在AGV路径规划中存在搜索范围大、转折多、实时性差等缺点,以A^(*)算法为基础,通过建立栅格地图,改进启发函数,去除多余节点和提高避障安全性。针对AGV在复杂环境下的动态路径规划问题,将改进A^(*)算法与动态窗口算法进行融合,规划出一条具有实时性的最优路径。通过仿真实验,验证了改进算法的有效性与可行性,实现了路径优化。通过机器人操作系统进行实验,结果表明AGV运行时的路径规划合理,满足实际应用需求。     

移动机器人的栅格概率路径图法路径规划

针对PRM算法运行速度慢、难以针对狭窄通道采样的问题,提出一种栅格概率路径图算法。用栅格划分地图,并根据栅格内障碍物面积,划分栅格威胁等级,并依此使用不同采样策略。提出一种采样点落在障碍物内的重采样方法,提升了采样效率,增加了在狭窄通道内的采样。同时,改变连接策略,连接采样点时,不再遍历所有点,只与附近栅格进行连接,减少算法耗时。生成路径后,对路径进行优化与平滑,提升路径质量,使之符合移动机器人运动约束。通过仿真分析得到栅格概率路径图法中栅格缩放系数k选取的依据。仿真结果显示,栅格概率路径图法的运算时间和成功率与经典算法相比均获得提高。     

一种考虑机器人转向离心力的动态窗口算法

在移动机器人的相关技术中,局部路径规划技术是一项关键技术。对于自主配送机器人在配送某些易碎物品或是对运动较为敏感的物品时,为了保证被运输物品的安全性,在路径规划中还要考虑到机器人车体的离心力大小。动态窗口算法是局部路径规划的一种常用算法,针对经典动态窗口算法不能兼顾到机器人在运动过程中的离心力大小,提出了改进的动态窗口算法。在经典动态窗口算法的目标函数中加入离心力的评价项,防止机器人在转向过程中离心力过大导致车体运行不稳定。实验表明:当目标函数中离心力评价项占比更重时,机器人运行的转向半径更大,多数情况下沿直线运行,且在整个导航过程中离心力的最大值更小。     

基于混沌求偶萤火虫算法的移动机器人路径规划

针对传统萤火虫算法应用于移动机器人路径规划中存在陷入局部最优和搜索精度低的问题,提出一种基于混沌求偶萤火虫算法的移动机器人路径规划方法。设计一种混沌求偶荧火虫算法,该算法采用混沌映射策略初始化种群,优化种群分布不均和搜索范围不足问题;利用求偶学习策略指导雄性萤火虫向雌性萤火虫学习,提高算法的收敛速度和求解精度。建立移动机器人路径规划的环境仿真模型,应用混沌求偶萤火虫算法进行移动机器人路径规划仿真。仿真结果表明：混沌求偶萤火虫算法比传统萤火虫算法和粒子群算法在路径长度上分别减少了3.075%和2.428%,拥有更高的搜索精度和跳出局部最优的能力。