无人驾驶路径规划算法研究

快速扩展随机树(Rapidly-exploring Random Trees,RRT)是路径规划中常用到的算法之一,具有结构简单、搜索能力强、搜索效率高的优点,但也具有随机性强、算法路径不平滑的缺点。文章通过引入动态步长和增加平滑算法改进RRT算法。首先,改进动态步长,通过设置固定最大步长和最小步长,计算目标节点与障碍物的距离;其次,计算具体每一步的步长;最后,比较最小二乘法、二次指数平滑法、三次B样条曲线3种平滑算法的平滑性能,采用三次B样条曲线改进原RRT算法。通过MATLAB仿真软件对传统RRT算法和改进RRT算法进行仿真测试,得出改进后的RRT在路径搜索和路径平滑方面都有一定的提升。     

无人驾驶车路径跟踪控制研究

研究被控对象无人驾驶车,基于预瞄控制思想,设计一种无人驾驶车路径跟踪控制器,将控制器分为预瞄控制和补偿控制两部分,预瞄控制模拟驾驶员在驾驶车辆过程中对前方的道路环境信息进行预瞄,根据道路曲率程度决定方向盘转向,补偿控制是对车辆遇到干扰偏离原车道的纠正。仿真实验结果表明,该控制器能够保证无人驾驶车准确跟踪各种参考路径,且具有较好的鲁棒性。     

基于改进人工蜂群算法的机器人路径规划北大核心CSCD

为了实现在避障环境空间下移动机器人的平滑最优路径规划,提出了一种基于改进蜂群算法的三次Bezier曲线优化的路径规划方法。借助Bezier曲线描述路径,把路径规划问题转换为生成Bezier曲线有限个点的位置优化问题,并改进人工蜂群优化算法进行最优路径搜索。该改进算法在雇佣蜂的搜索阶段中引入个体当前最优值及随机向量,并选择新的选择概率函数,不仅加快算法的收敛速度,而且在一定程度上有利于保持种群多样性,防止算法陷入局部最优。仿真结果表明,该算法可以有效地进行平滑路径的无碰撞路径规划。     

基于改进粒子群三次Bezier曲线优化的路径规划

为了实现在障碍环境空间下移动机器人的平滑最优路径规划,提出了一种利用Bezier曲线描述路径与改进粒子群优化算法相结合的路径规划方法。借助三次Bezier曲线描述路径,可以将路径规划问题转换为生成Bezier曲线有限个点的位置优化问题,通过改进的具有指数变化的认知因子的粒子群优化算法进行最优路径搜索。仿真实验表明,该算法可以有效地进行平滑的无碰撞路径规划,并具有较强的跳出局部最优的能力。     

矿用卡车无人驾驶系统路径规划方案研究

矿用卡车无人驾驶是露天煤矿智能化建设的重点实施项目。目前常用的矿用卡车无人驾驶路径规划算法中,人工势场法虽然实时性较好,但是只考虑静态障碍物约束,不适用于动态场景;基于采样的路径规划算法对于非完整约束动力学模型无法进行处理;基于图搜索的路径规划算法常用的方法是A^*算法,可有效解决最短路径问题,但易陷入“死循环”,且规划出的路径折点较多。针对上述问题,提出一种基于图搜索的混合A^*(Hybrid A^*)路径规划算法方案。该方案充分考虑车辆运动学模型,通过优化启发函数得到合理的全局规划路径,然后融合多传感器信息建立局部地图,采用回旋曲线的方法将车辆模型与目标点建立联系,形成局部路径。实际应用结果表明,该方案可适用于实际生产中的各种极端装载、卸载道路条件,具备常规最短路径、狭窄区域铲窝模式、长距离倒车、反向装车绕行、移铲自动跟随等多种自适应规划能力,同时在规划过程中能够智能识别并避开规划区域内电铲、指挥车、电缆桥、山体等障碍物,从而实现快速、平稳、准确地引导无人驾驶矿用卡车到达预设调度位置,确保了生产过程的高效性和安全性。     

基于启发式算法的路径规划

对路径规划中的最优路径选择算法进行了研究.目前广泛采用的A*最优路径规划算法,在实际的执行过程中容易陷入“死循环”,并且其找到的路径并非最优路径.为了提高最优路径规划的准确度和寻优速度,在分析了基本的A *算法的基础上,提出了一种双向A*递归算法,主要通过加入搜索方向因子,充分利用硬件资源和并行编程技术,克服原有A*算法的缺点.最后通过实验和对比证明,双向A *递归算法充分利用双核CPU并行工作的优势,结合并行算法设计,并改进了估价函数模型,大幅提高了算法的性能和运行效率,特别是在大规模路径图搜索的情况下,体现了它的实用性.     

基于改进蜂群算法的机器人路径规划

针对机器人的路径规划问题,本文提出了采用改进的具有群集智能的蜂群算法（Artificial Bee Colony,ABC）,结合三次贝塞尔曲线来描述路径,共同实现路径优化的方法.为了克服标准ABC容易陷入局部最优和后期收敛速度慢的缺点,对雇佣蜂阶段和守望蜂阶段进行改进,且与其他算法得到的优化曲线相比较,进而得出不同算法在路径优化方面的优劣性.实验结果表明：改进的蜂群算法在路径优化方面具有更好的寻优性能,能够得到更短路径.     

基于启发式机器人路径规划仿真研究

研究路径规划优化选择问题,路径规划一直是工业机器人需要解决的重点技术。为了使机器人的移动目标位姿寻找无碰撞路径,针对传统的A*的路径规划算法对路径规划选择时容易陷入"死循环",而且找到的路径并非最优路径等缺陷。为解决上述问题,提出了一种在原A*算法的基础上改进为新的双向A*递归路径规划算法,首先通过加入搜索方向因子,充分利用硬件资源和并行编程技术,遍历路径中的所有节点,当某一节点前后节点连线上无障碍物时,将延长线路的中间节点删除,从而建立双向A*模型。仿真结果表明,改进后的算法性能优于标准A*算法以及蚁群算法,并使路径选择得到优化。     

自动翻晒谷物机器人的全覆盖路径规划研究

针对谷物机器人在场地进行翻晒作业时,由于场地中存在电线杆或其他限定因素,可形成机器人不可达区域,造成谷物机器人翻晒效率低等问题,提出改进A^*算法的全覆盖路径规划方案。首先利用牛耕分解法、就近原则法、往返式弓子型遍历方法和A^*算法完成整个翻晒场地的全覆盖路径规划。其次通过对传统A^*算法进行研究分析,对其估价函数进行优化,较传统A^*算法相比减少无用节点的搜索,节约搜索时间。另外针对改进A^*算法规划出的路径转折点多等问题,本文利用贝塞尔(Bezier)曲线对路径拐点进行平滑处理,同时通过增加控制点的方式对Bezier曲线进行改进,使优化的路径更加安全。最后,实验结果表明,本文提出的方法可完成100%覆盖,说明了该方案的有效性,具有一定的应用价值。     

非结构化环境中基于拓扑约束的地面无人驾驶路径规划算法

针对非结构化环境地面无人驾驶路径规划过程中路径避障以及多车路径冲突的难题,通过同调以及de Rham上同调对环境中障碍物拓扑信息的精确描述,提出一种拓扑约束下基于A*算法且用时更短的路径规划算法.该算法可实现非结构化环境中多无人车全局路径的拓扑分类,从而为多车的协同规划提供一种新的研究思路.此外,结合C-空间动态广义Voronoi图(GVD)的路径拓扑分离特性,提出一种拓扑约束下可用于多无人车全局路径规划的高效算法-----C-空间-GVD-${h_S     

基于改进人工势场法的无人机路径规划算法

针对传统的人工势场(APF)法无法适应复杂环境而陷入局部停滞状态、路径不够平滑等不足,提出了改进的人工势场法。首先,该算法对威胁的连通性进行分析,借鉴几何拓扑学思想得到可行解域。其次,该算法在可行解域内进行航迹点预规划。预规划基于威胁分布的全局性信息,弥补人工势场法易陷入局部最小而无法找到可行路径的不足。最后,该算法改进人工势场法引力函数,通过多次迭代,并进行曲率检查以获得足够平滑的可飞路径。仿真结果表明改进算法能够满足无人机路径规划的要求,且简便可行,具有较强寻优能力及适应性。     

基于改进人工势场法的物流无人配送车路径规划

传统人工势场法在面对多障环境时易陷入局部最优,导致路径长度和拐点数量增多从而严重降低配送效率。为此,考虑复杂环境多障密集和离散分布特征,结合相对位置检测策略和边界条件判断决策,采用自主虚拟圆作用域设计,修正路径长度和拐点数量缺陷;进一步地,基于模型预测理论,建立四轮转向车辆稳定性控制器,实现理想模型路径的精准跟踪控制;采用MATLAB软件进行模拟避障实验,并与传统算法路径搜索关键要素特征进行对比仿真。研究结果表明,所提出的改进人工势场算法相比于传统算法,全局拐点数量减少10个,路径缩短21.06%,跟踪偏差率低于6%。通过研究,解决了车辆多障环境适配及避障安全性问题,实现了指定轨迹的平稳、安全配送,为无人配送车规划算法的改进提供了理论指导。     

无人飞行器航迹规划研究

航迹规划的目的是要利用地形和敌情等信息,规划出生存概率最大的无人飞行器突防轨迹。通过对航迹规划任务的仿真需求分析,对无人飞行器的航迹规划进行了研究。首先根据遍布威胁的战场环境,构造了基于威胁源的Voronoi图,得到规避威胁的航迹路线;然后采用Dijkstra算法,搜索出最优航迹路线;最后利用Visual Studio .Net 2010开发平台,在MS SQL Server 2008数据库支持下,运用Visual C# 2008编制图形化界面,设计开发了无人飞行器航迹规划仿真系统,并给出了开发结果,实现了仿真结果的图形显示,为进一步的研究航迹规划奠定了基础。     

基于改进人工蜂群算法的多无人作战飞机协同航迹规划

针对多无人作战飞机(UCAV)航迹规划约束条件复杂、不确定因素多、实时性要求高的特点,提出一种基于改进的人工蜂群算法求解多UCAV协同航迹规划模型。首先构建战场空间的改进Voronoi图生成航迹优化可飞区域;然后采用混沌搜索算法来初始化航迹集合作为算法的蜜源,使其初始航迹集合能以有限的数据充分表示航迹优化可飞区域;最后对多UCAV在多种威胁环境下的航迹空间寻优进行仿真验证。仿真结果证明改进的人工蜂群算法提高了蜜源多样性和算法的收敛速度,增强了UCAV的动态战场适应能力和突发威胁应对能力。     

未知复杂环境中的无人机平滑飞行路径规划

针对无人机实时路径规划问题,提出了一种基于双层决策的平滑路径规划方法,以弥补现有方法在复杂飞行环境中对路径平滑性优化的不足,增强路径的易跟踪性.本文首先给出路径平滑性度量,然后建模上、下层决策目标、威胁规避与无人机性能约束并引入变长规划时间,进而设计基于双层决策的路径规划模型.规划过程中通过嵌入启发式优化策略来进一步改善路径的全局与局部平滑度,并提高路径搜索效率.大量复杂场景中的仿真及与现有经典方法的对比结果表明:该方法能够实时避开复杂危险区域,规划适合飞行的、较短的平滑路径.     

基于滚动时域优化的无人飞行器轨迹规划

给出了寻求无人飞行器的最优轨迹的一种方法,其问题描述为使飞行器从初始状态飞行到目标状态,同时避免撞到障碍物。基于混合整数规划的滚动时域优化方法用来求解飞行器的轨迹规划问题。给出的仿真结果显示此方法的有效性以及在复杂环境下的可实时计算性。     

考虑无线充电的无人机路径在线规划

近年来, 无人机在物流、通信、军事任务、灾害救援等领域中展现出了巨大的应用潜力, 然而无人机的续航 能力是制约其使用的重大因素, 在无线充电技术不断突破和发展的背景下, 本文基于深度强化学习方法, 提出了一 种考虑无线充电的无人机路径在线优化方法, 通过无线充电技术提高无人机的任务能力. 首先, 对无人机功耗模型 和无线充电模型进行了构建, 根据无人机的荷电状态约束, 设计了一种基于动态上下文向量的深度神经网络模型, 通过编码器和解码器的模型架构, 实现无人机路径的直接构造, 通过深度强化学习方法对模型进行离线训练, 从而 应用于考虑无线充电的无人机任务路径在线优化. 文本通过与传统优化方法和深度强化学习方法进行实验对比, 所提方法在CPU算力和GPU算力下分别实现了4倍以及100倍以上求解速度的提升.     

Motion control problems for multimode unmanned aerial vehicles

This paper considers flight control specifics for modern unmanned aerial vehicles with paths described by a wide range of altitudes, including super-aerodynamic flights. It is noted that this type of aerial vehicles belongs to multimode dynamic objects with varying characteristics in the course of their operation. Adaptive control methods used in control systems for unmanned aerial vehicles are overviewed. Finally, adaptive control capabilities are studied for the vehicle’s angular position in gliding and cruising modes under combined jet reaction and aerodynamic control.     

无人驾驶车辆稳态漂移的无模型自适应控制

本文引入一种基于无模型自适应控制算法的无人驾驶车辆稳态漂移控制方案.首先,对车辆漂移动态过程进行动力学分析,其次,确定控制系统的控制输入量和控制目标,然后基于无人驾驶车辆稳态漂移控制系统的动态线性化数据模型,设计无模型自适应稳态漂移控制算法、伪雅可比矩阵估计整定算法和伪雅可比矩阵重置算法,从而实现无人驾驶车辆的稳态漂移...