基于概率地图的工业机器人路径搜索优化算法

为解决机器人在装配、焊接、喷涂等工业生产中的路径规划调试时间长、效率低等问题,提出一种新的基于概率地图的路径搜索优化算法。该算法首先利用混合包围体层次树碰撞检测算法的优势,在每两个采样位姿点间选出无碰撞的局部路径;然后,在获取始末点位姿信息后,引入A*算法搜索全局路径;最后采用提出的路径优化算法对搜索得到的全局路径进行优化。以此实现只需给出运动初始点与目标点,算法就能自动搜索出一条无碰撞的全局优化路径。仿真和机器人实体实验表明该算法适用于工业机器人的路径搜索,所得机器人运动路径简短,并有效地避开障碍物。     

基于偏好粒子群算法的移动机器人路径规划

针对粒子群算法收敛速度快,但易陷入局部最优的问题,提出一种基于偏好粒子群算法的移动机器人路径规划方法.在对障碍物环境建模的基础上,根据避障偏好利用粒子群优化算法规划出全局最优路径.为避免搜索过程中算法陷入局部最优,采用深度优先搜索策略,保持了种群的多样性,提高了算法的搜索能力.实验结果表明:该方法能够有效地避开障碍物,并且获得较好的路径规划效果.     

移动机器人路径动态规划有向D*算法

针对传统D*路径规划算法搜索效率低、成本较高的问题,提出有向D*算法. 该算法考虑目标点与障碍物信息,引入关键节点概念,逐级扩展确定可行路径,并且引入导向函数以控制单次搜索的节点搜索范围来提高搜索效率;在原欧几里得评价指标的基础上引入路径平滑度函数对偏移路径进行惩罚,避免机器人无效转弯而增加移动成本;通过路径平滑度函数中的“转弯因子”协调路径长度与平滑度之间的关系,给出路径平滑度函数的分段原理与转弯因子的确定方法,并对算法收敛性进行证明. 在不同环境下的仿真实验表明,该算法较传统算法能更好地兼顾局部搜索与全局最优性,尤其适用于障碍物较多的复杂环境.     

一种动态不确定环境下的机器人路径规划算法

为了提高机器人在动态不确定环境下的实时性和适应能力,提出了一种机器人实时路径规划新方法.采用环境信息处理算法,通过搜索实时局部环境信息特征信息的方式对环境信息进行分析和处理.该方法能够捕捉动态障碍物并对动态障碍物的运动规律进行预测,将特征信息及时更新给运动动作规划算法部分.运动动作规划算法是通过引入启发式思想选择双安全子目标点,完成规划运动动作并实现优化路径.在不同环境下进行仿真实验,检验了算法的有效性,证明算法在动态不确定环境下具有良好的实时性和适应性。     

搜索双安全边缘点的实时路径规划方法研究

针对未知不确定性环境下机器人路径规划的特点,提出了基于搜索双安全边缘点的实时路径规划新方法.该方法从有限的实时环境信息中搜索躲避障碍物和保证机器人到达目标点的双安全边缘点信息,并结合启发式算法,实现了基于双安全边缘点的实时路径规划.机器人的实际工作环境是十分复杂的,要求路径规划算法有较高的适应能力,特别在u型环境中要求算法能够脱离死区.仿真实验在2种U型环境和复杂环境中进行,仿真结果表明,该方法具有反应灵敏、实时性好的特点,对不确定环境具有良好的适应性,能够实现未知复杂环境下的路径规划.     

复杂动态环境下基于侧滑力的局部路径规划

研究了复杂动态环境下具有局部感知能力的移动机器人路径规划问题.针对传统势场法避障在拥塞环境下存在局部振荡的问题,提出虚拟侧滑力的方法,障碍物对机器人产生侧滑排斥力,而非传统的反向排斥力,并由力来直接引导机器人运动.静态障碍物的侧滑力计算与障碍物距离、朝向及目标点朝向有关；动态障碍物的侧滑力计算应考虑其速度信息.为解决局部最小问题,对机器人已走路径进行跟踪监督,当机器人路径在一段时间内出现重复时,确认其已处于陷阱状态,继而采用沿墙走的策略来摆脱陷阱.仿真结果验证了算法在复杂动态环境下的实时性和有效性.     

基于IOCAD的无人机避障路径规划

针对复杂密集不规则障碍物环境下无人机路径规划问题,采用不规则障碍物预处理方法,建立障碍物避碰检测模型,并设计了基于不规则障碍物避碰检测(irregular obstacles collision-avoidance detection,IOCAD)的无人机路径规划算法。该算法以栅格法规划环境建模为基础,采用粗糙集思想、凸化填充法等对障碍物进行预处理,并利用射线法筛选出环境中可飞路径点,以障碍物到飞行路径距离最小为目标函数,对可飞路径段和障碍物进行相交检测与距离检测,解算出不规则障碍物环境下无人机路径。在既定的路径规划环境及无人机性能约束下,仿真结果表明:该算法能快速规划出对应避障路径,且栅格粒度大小、安全裕度值的设置对算法性能有明显影响;当栅格粒度为0.5 km,安全裕度为0.4 km时,可显著缩短航程并有效减少路径点数,验证了该算法的有效性。     

改进人工势场法和ID-BFS融合算法的无人艇路径规划研究

为解决传统人工势场法在无人艇路径规划中存在的问题,提出一种改进人工势场法和ID-BFS算法的融合算法。针对目标不可达问题,在斥力势场函数中添加目标点距离因子进行修正;针对局部极小值问题,提出一种利用虚拟目标点配合ID-BFS算法进行局部路径修正的方法;针对环境中存在大型不规则障碍物的情况,增加障碍物边界斥力模型,在障碍物实际边界处提供斥力,使算法不会穿越障碍物边界。作者结合类真实规划场景对算法进行仿真实验。试验结果表明,文中算法有效解决了传统算法存在的弊端:引入距离修正因子解决了目标不可达问题;基于虚拟目标点和融合ID-BFS算法的局部路径搜索法对局部极小值有一定的规避和逃离作用;添加障碍物边界斥力模型提高了算法在复杂环境下的适应性,并可以做到在复杂环境下的实时规划效果。     

自适应蚁群算法在空间机器人路径规划中的应用

为了弥补传统路径规划方法缺乏足够鲁棒性的问题,采用自适应蚁群算法实现了空间机器人路径规划.针对传统蚁群算法在计算初期出现停滞的现象,修改了信息激素物质的更新方法.自适应蚁群算法根据学习次数和与最近障碍物的距离来调节信息激素物质.仿真结果表明,该算法在采用较少蚂蚁的情况下,与一般蚁群算法相比,能够快速找到理想路径.     

未知环境下基于快速搜索随机树的机器人路径滚动规划

在未知环境下,移动机器人没有全局信息,一次只能规划出探测范围内的局部路径.针对这一特点,提出了一种全新的基于滚动窗口的快速搜索随机树算法.该算法以机器人出发点为根节点,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扩展,逐渐增加叶节点直至随机树的叶节点包括了目标节点,从根节点到目标节点的随机树的边即为规划出的路径.大量仿真实验表明,即使在障碍物非常复杂的未知地理环境下,该算法也能快速规划出一条全局优化路径,且能安全避障.