多种群萤火虫算法求解机器人路径规划问题北大核心CSCD

为解决机器人在静态环境中的路径规划问题,提出了一种以路径的长度和光滑性为目标的模型。针对此模型设计多种群萤火虫算法(MP-FA),并引入人工蜂群算法调试获得MP-FA所需参数。首先,提出一种萤火虫的飞行规则用于初始化个体;然后,设计种群划分规则,将初始种群划分为多个子种群,对子种群内部和子种群之间的位置移动采取不同的策略,特别是对子种群内部的个体采取一种局部更新方式;最后,设计相应的路径简化规则与光滑规则对全局最优解进一步优化。仿真实验和统计分析的结果验证了MP-FA对求解机器人路径规划问题有很好的适用性。     

基于环境预测的步进式运动协调策略

为了解决未知动态环境下的多机器人系统的路径规划问题,在改进的势场栅格法的基础上,提出了一种基于环境预测的步进式多机器人运动协调策略。针对机器人躲避移动障碍物的避障运动和机器人之间避碰运动的不同,分别提出了协调策略Ⅰ和协调策略Ⅱ。为了验证协调策略的有效性,将该方法用于多机器人系统的路径规划中,并利用Visual C++进行仿真。仿真结果表明,用该方法进行路径规划是可行的和有效的,并且算法简单、计算量小。     

基于多层注意力机制—柔性AC算法的机器人路径规划

针对行动者—评论家（AC）算法存在的经验学习样本维度高、策略梯度模型鲁棒性低等问题,依据多代理系统的信息协作优势,构建注意力机制网络并作为代理体,引入多层并行注意力机制网络模型对AC算法进行改进,提出一种基于多层并行注意力机制的柔性AC算法。将其用于解决动态未知环境下的机器人路径规划问题,可增强行动者的策略梯度鲁棒性并降低评论家的回归误差,实现机器人路径规划最优方案的快速收敛。实验结果表明,该算法有效克服机器人路径规划的局部最优,具有计算速度快、稳定收敛的优点。     

一种改进多机器人分布式滚动路径规划算法

针对多移动机器人全局静态环境未知的路径规划问题,采用了一个全局性能指标,在保证路径较优的情况下,最小化机器人的停顿时间,提出机器人之间以修正局部路径为主的协调策略。根据多机器人滚动路径算法的原理,设计了改进的多机器人分布式滚动路径规划算法。在已有仿真系统上进行测试,比较了所提出的协调策略与改变机器人移动速度协调策略对性能指标的影响。仿真结果表明,静态环境未知情况下,机器人可以并行规划各自的协调路径。     

基于全向移动平台的多机器人编队控制研究

针对多机器人编队控制中的队形控制和协同避障问题,提出了基于麦克纳姆轮的全向移动多机器人编队的基于领航-跟随型编队控制算法.首先建立多机器人运动学模型,得到车体运动控制参数,并针对传统领航跟随法进行改进,设计一种虚拟结构领航-跟随法,并将改进的人工势场法引入领航机器人的在线局部路径规划中,通过添加虚拟斥力旋转势场,解决了局部极小值问题,实现了多机器人编队在静态障碍环境中无碰撞路径规划.最后通过Python仿真验证了该算法结合的有效性.     

一种基于改进冲突搜索的多机器人路径规划算法

针对智能仓储环境下多载位自主移动机器人集群拣选-配送路径规划问题,提出一种改进型基于冲突搜索的多智能体路径规划算法.在模型方面,采用多载位机器人替代KIVA机器人,建立以最小化拣选-配送时间以及无效路径比为目标的数学规划模型.在算法方面,首先,提出一种基于优先级规则的多智能体冲突消解加速策略;然后,设计基于动态规划的单机器人拣选序列优化算法;最后,设计考虑转向惩罚的增强A*算法搜索机器人最优路径.实验结果表明:所提出模型与KIVA系统相比有较大优越性;所提出算法能够有效缩短拣选-配送时间、减少无效路径时间.     

煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

基于A*改进算法的机器人移动路径优化仿真

针对传统机器人移动路径分析方法中存在撞击率高的问题,引入A*改进算法对机器人移动路径进行优化.首先利用栅格单位搭建机器人移动环境模型,并对栅格模型进行优化处理,分别在无障碍、静态障碍以及动态障碍三种移动环境下进行路径规划,通过A*改进算法获取机器人移动原始路径.在此基础上,计算路径优化约束条件,对原始路径进行平滑优化处理,输出机器人移动路径的优化结果,完成移动路径优化.经过仿真对比实验可知,使用A*改进算法进行机器人移动路径优化,路径长度和时间均能得到减少,且撞击率和路径转弯次数也明显得到改善.     

基于协同多目标算法的多机器人路径规划

多机器人路径规划是群体机器人协同工作的前提,其特点是在防碰撞与避障的前提下追求多方面资源的最小消耗.针对这一特点,提出协同非支配排序遗传算法,解决具有多个优化目标的多机器人路径规划问题;运用改进的多目标优化算法,克服多目标优化取权值的不足,同时考虑机器人能源与时间两大资源,以多机器人的路径总长度、总平滑度、总耗时为规划目标.同时引入合作型协同算法框架,将难以求解的多变量问题分组求解.每个机器人的路径视为子种群,子种群通过带精英策略的非支配排序遗传算法,进化并筛选出子种群的部分进入协同进化,每次迭代更新外部的精英解集,最终生成一组非支配路径解.仿真结果表明,在栅格地图环境下,本文算法可有效实现多移动机器人的多优化目标路径规划.     

基于滚动优化和分散捕食者猎物模型的全覆盖路径规划算法

针对多机器人执行全覆盖任务效果差的问题,提出一种基于滚动优化和分散捕食者猎物模型的多机器人全覆盖路径规划算法.首先,利用栅格地图表示作业的环境空间,并基于栅格地图修正捕食者猎物算法中的避开捕食者奖励,添加移动代价奖励和死区回溯机制构建分散捕食者猎物模型;然后,引入滚动优化方法,避免机器人陷入局部最优,预测周期内机器人覆盖栅格的累计奖励值作为适应度函数,并使用鲸鱼优化算法(WOA)求解最优移动序列;最后,在不同环境下进行仿真实验,得到的平均路径长度与生物激励神经网络算法(BINN)和牛耕式A*算法(BA*)相比分别减少了16.69%sim17.33%、10.32%sim20.03%,验证了所提出算法在多机器人全覆盖路径规划中的可行性和有效性.     

基于双层模糊逻辑的多机器人路径规划与避碰

针对无通信情况下的多机器人系统在未知动态环境下的路径规划问题,设计了基于双层模糊逻辑的多机器人路径规划与动态避碰系统。方向模糊控制器充分考虑了障碍物的距离信息和目标的角度信息,转化为机器人与障碍物的碰撞可能性,从而输出转向角度实现机器人的动态避障;速度模糊控制器将障碍物的距离信息作为输入,将速度因子作为输出,提高了多机器人路径规划与动态避碰系统的效率和鲁棒性。在Pioneer3-DX机器人实体上验证了该系统的可行性。     

栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.     

基于多智能体深度强化学习的协作导航应用

多机器人协作导航目前广泛应用于搜索救援、物流等领域, 协作策略与目标导航是多机器人协作导航面临的主要挑战. 为提高多个移动机器人在未知环境下的协作导航能力, 本文提出了一种新的分层控制协作导航(hierarchical control cooperative navigation, HCCN) 策略, 利用高层目标决策层和低层目标导航层, 为每个机器人分配一个目标点, 并通过全局路径规划和局部路径规划算法, 引导智能体无碰撞地到达分配的目标点. 通过Gazebo平台进行实验验证, 结果表明, 文中所提方法能够有效解决协作导航过程中的稀疏奖励问题, 训练速度至少可提高16.6%, 在不同环境场景下具有更好的鲁棒性, 以期为进一步研究多机器人协作导航提供理论指导, 应用至更多的真实场景中.     

A hybrid formation path planning based on A* and multi-target improved artificial potential field algorithm in the 2D random environments

Traditional artificial potential field algorithm for multi-robot formation is easy to fall into local minima and the path planning efficiency is low. To this end, we propose a new method of a hybrid formation path planning based on A* and multi-target improved artificial potential field algorithm (A*-MTIAPF) that provides the optimal collision free path and improves the efficiency for multi-robot formation path planning. The A*-MTIAPF algorithm integrates global path planning and local path planning. The novelties include combining A* with the improved artificial potential field algorithm and dividing multiple virtual sub-target points on the global optimal path of A* planning. Firstly, A* algorithm is used to complete the global path planning. Secondly, the improved artificial potential field algorithm which takes multiple sub-target points divided by the global optimal path as virtual target points is used to complete local path planning by switching target points. In addition, we propose a double priority judgment control algorithm (DPJC) to solve the collision problem among multiple robots by setting double priority to determine the movement order of each robot. Then, a new experimental method is designed by using the randomly generated 2D maps to verify the effectiveness of the proposed method. The results show that our method has advantages that it solves the local minimum problem, improves the efficiency of formation path planning and avoids collision among multiple robots over existing methods.     

基于三维时空地图和运动分解的多机器人路径规划算法

针对当前多机器人路径规划策略中存在的路径耦合性高、总路径长、避碰等待时间长等缺点，以及由此导致的系统鲁棒性低、机器人利用率低等问题，提出了基于三维时空地图和运动分解的多机器人路径规划算法。首先，根据已有路径集和当前机器人的位置生成时间维度上的动态临时障碍物，将其与静态障碍物一并拓展为三维搜索空间；其次，在三维搜索空间内，将路径运动总时间拆分为运动时间、转向时间和原地停留时间这三个参数，并使用条件深度优先搜索策略计算出从起始节点到达目标节点的所有符合参数要求的路径集合；最后，遍历路径集合中的所有路径，对于每条路径，计算其实际总耗时。如果某一路径的实际总耗时和理论总耗时之间的差距小于规定的最大误差，则可认为该路径为最短路径，否则，继续遍历剩下的其余路径；而如果路径集合中所有路径的实际总耗时和理论总耗时之差全都大于最大误差，则需要动态调整参数，然后继续执行算法的初始步骤。实验结果表明，所提算法规划的路径具有总长短、运行时间少、系统无碰撞、鲁棒性高等优点，解决了多机器人系统完成持续随机任务的问题。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题,提出一种用于求解多层决策问题的离散灰狼算法,并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法,采用矩阵编码方法解决多层决策问题的编码问题,提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度,运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外,运用图论将喷涂机器人路径规划问题简化为广义旅行商问题,并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中,相较于粒子群算法、遗传算法和蚁群算法,提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%,碰撞次数降低为0,且路径更平滑。实验结果表明,提出的算法能够有效提高喷涂机器人的喷涂效率,以及喷涂路径的安全性和适用性。     

基于离散灰狼算法的喷涂机器人路径规划方法

针对目前用于复杂结构实体喷涂的机器人路径规划方法存在的效率低、未考虑碰撞以及适用性差等问题，提出一种用于求解多层决策问题的离散灰狼算法，并把该算法用于该路径规划问题的求解。为了将连续域灰狼算法改为用于求解多层决策问题的离散灰狼算法，采用矩阵编码方法解决多层决策问题的编码问题，提出基于先验知识与随机选择的混合初始化方法提高算法求解效率和精度，运用交叉算子与两级变异算子定义离散域灰狼算法的种群更新策略。另外，运用图论将喷涂机器人路径规划问题简化为广义旅行商问题，并建立了该问题的最短路径模型和路径碰撞模型。在路径规划实验中，相较于粒子群算法、遗传算法和蚁群算法，提出的算法规划的平均路径长度分别减小了5.0%、5.5%和6.6%，碰撞次数降低为0，且路径更平滑。实验结果表明，提出的算法能够有效提高喷涂机器人的喷涂效率，以及喷涂路径的安全性和适用性。     

Dual-layer multi-robot path planning in narrow-lane environments under specific traffic policies

Collision-free path planning is indispensable for the multi-robot system. Many existing multi-robot path planning algorithms may no longer work properly in the narrow-lane environment. We propose in this paper a dual-layer algorithm to deal with the multi-robot path planning problem in the narrow-lane environment. In the first layer, the integer programming technique primarily based on distance metrics balances the optimality of the generated collision-free paths and the computation time of the algorithm. In the second layer, fast feasible heuristics are applied to make sure the solvability of the proposed integer programming approach in the first layer. In the dual-layer algorithm, specific traffic policies for each narrow lane are implemented to generate a collision-free path for every robot while maintaining the narrow lane free, besides the collision avoidance approach at the robotic level. With this, inter-robot collision in the narrow lane is avoided, and the algorithm’s efficiency in producing collision-free paths increases. Simulations have been launched considerably based on the proposed assessment metrics. According to the extensive simulation data, our algorithm suggests a higher overall performance in the narrow-lane environment when in contrast with the present optimal, sub-optimal, and polynomial-complexity algorithms.

     

大规模AGV的改进时间窗路径规划

在机器人路径规划中,A*算法搜索路径时存在大量冗余节点,随着任务量增加,其搜索效率也会急剧下降,因此无法适应大规模任务下的路径规划。为此提出一种改进时间窗的有界次优A*算法用于求解大规模自动导引车（automatic guided vehicle,AGV）路径规划问题。算法使用时间启发式,并在搜索过程中采用时空搜索,规划无冲突的最优或次优路径。算法主要进行了三处改进：采用时间启发式,缩短了路径时间;采用动态时间窗算法,避免多次路径规划;优化了聚焦搜索算子,降低负反馈。通过MATLAB实验结果证明改进后的算法在进行多机器人路径规划时,能快速有效地规划出无冲突的平滑次优路径,搜索效率高,稳定性强。