基于遗传算法的AS-R移动机器人路径规划研究

将遗传算法应用于机器人的全局路径规划,并在AS-R移动机器人上进行了实验研究.首先用栅格法对机器人的工作环境进行划分,得到机器人的环境模型;其次采用遗传算法进行路径搜索,并引入多种遗传算子,增强了算法的实用性.在AS-R机器人上采用VC开发,并在5×5的栅格环境中进行路径规划研究.实验结果表明,遗传算法结合栅格环境对移动机器人进行路径规划,具有简单且通用的效果,所得的折线路径也更适合于机器人进行轨迹跟踪.     

基于混合算法的移动机器人路径规划研究

路径规划技术是移动机器人导航技术的重要组成部分。针对静态已知环境的移动机器人进行路径规划,结合栅格法和遗传算法,并对传统的遗传算法进行改进,建立两种不同的环境,通过仿真实验显示其改进后的优越性。     

基于栅格法的移动机器人路径规划研究

文章简要阐述了基于栅格法的移动机器人路径规划算法问题,并利用C Buidler软件开发的仿真平台对该问题进行了仿真,仿真结果说明了该算法的有效性和实用性.     

改进遗传算法用于移动机器人路径规划

对三维机器人路径空间进行分解,采用栅格法建立路径空间模型,根据栅格序号编码的特点以及栅格序号在路径空间中的分布规律,设计一种随机快速搜索算法产生遗传算法的初始种群.对遗传算子进行适当的改进,以避免种群退化现象的出现,使算法能够快速收敛.把路径最短和能量消耗最少同时作为优化目标,对改进的遗传算法进行了仿真测试,测试结果表明,该算法简单而有效,并且对机器人路径空间的变化具有一定的适应能力.     

改进动态规划算法的移动机器人路径规划

针对静态栅格环境下的移动机器人全局路径规划问题,通过分析移动机器人到达目标的搜索方向和路径变化的动态特征,分别建立下降路径搜索动态规划模型和上升路径搜索动态规划模型,并依据整列元素路径值变化特点设计了两种模型交互使用的改进动态规划算法。仿真实验结果表明算法具有较好的路径规划效率,可以同时完成多个目标路径规划,且覆盖率越大的环境求解越快速。实验也表明改进动态规划算法同蚁群算法对比能够更快速有效地给出移动机器人较优通行路径。     

移动机器人路径规划研究现状及展望

移动机器人路径规划技术是机器人研究领域中的核心技术之一。通过对全局路径规划和局部路径规划中各种方法的分析,指出了各种方法的优点和不足以及改进的办法,并对移动机器人路径规划技术的发展趋势进行了展望。     

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。     

基于改进遗传算法的移动机器人路径规划方法研究

路径规划是机器人技术研究领域中的核心问题。本文针对机器人路径规划问题,提出了基于遗传算法的解决方案。在遗传算子的设计中,通过加入自适应调整方法使得算法更加完善,解决进化过程中因陷入局部极小值而不能到达目标点的问题。最后,在模拟环境下进行路径规划仿真,验证了算法的有效性。     

基于改进遗传算法的移动机器人路径规划

标准遗传算法在解决各类优化问题中获得成功,但它在具体的应用中由于缺乏对特定知识的利用,其性能有待提高。将改进遗传算法用于移动机器人的全局路径规划,复杂的二维编码问题简化为一维编码问题,建立边界约束,路径点必须在障碍物之外,路径点连线不能与障碍物相交等3个约束条件,以机器人行走路径最短作为适应度函数进行遗传优化。计算机仿真实验结果证明该算法在收敛速度、最优解输出概率方面相对于基本遗传算法有了显著提高。     

一种基于栅格模型的机器人路径规划算法

在移动机器人路径规划问题的研究中,针对现有算法效率较低以及实现过程复杂的问题。提出一种新算法,该算法使用栅格法对机器人的工作空间进行建模,并通过引入参考方向和移动因子等概念有针对性的实现可控的路径搜索,提高对最优路径的搜索效率。仿真实验结果表明,基于栅格模型的新算法具有较好的实时性和适应性。     

基于栅格法的机器人路径规划蚁群算法

描述了一种静态环境下的机器人路径规划仿生算法．该算法用栅格法对场景进行建模,模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索．搜索过程采用了概率搜索策略、最近邻居策略和目标导引函数,使得搜索过程极为迅速高效．仿真实验结果表明,即使在障碍物非常复杂的地理环境,用本算法也能迅速规划出最优路径,且能进行实时规划,效果十分令人满意．     

基于遗传算法的移动机器人路径规划

采用动态可变长编码的方法,以栅格表示环境。针对遗传算法大型障碍物难的问题,采用follow wall行为,较好地解决了基于遗传算法的快速路径规划和大型障碍物避障问题。该算法适应任何形状的障碍物,适用于静态和动态环境中。计算机仿真表明,该算法是一种正确和高效的路径规划方法。     

基于遗传算法的移动机器人路径规划

本文提出的基于遗传算法的移动机器人路径规划,用栅格表示移动机器人的工作环境,采用序号编码和与此编码机制相适应的遗传操作算子,并增加了新的插入算子和删除算子,同时应用了最优保存策略,最后得到移动机器人在由栅格表示环境下的最短无碰路径.通过对算法进行仿真和实验,结果表明了所提算法的有效性和可行性.     

基于几何法的移动机器人路径规划

旨在解决动态环境中移动机器人与障碍物发生碰撞可能性的判断和避开障碍的路径规划。提出了采用几何计算的方法判断机器人和障碍物之间发生碰撞的条件,规划出机器人沿着收敛曲线运动到安全圆周,在安全圆周上作动态圆周运动,最后沿着圆弧退出圆周到达预定的避障路径。将基本的避开障碍的理论和几何算法有机地结合起来,获得了光滑的路径,提高了机器人避开障碍的效率。     

基于扇形栅格地图的移动机器人全局路径规划

针对已知环境信息下的移动机器人全局路径规划问题,描述了一种基于扇形栅格地图的波传播路径规 划算法．首先将移动机器人运行环境划分为极坐标系下的扇形栅格地图,建立栅格的六叉树连通模型,然后通过栅 格类方法完成栅格赋值和近似路径搜索,最后通过近似路径评价与优化得到最终规划路径．算法引入环道和环区概 念,解决了圆形波传播半径问题,算法复杂度为O(n)．仿真与实验结果证明了算法的低耗时和实用性．     

基于RDC-Q学习算法的移动机器人路径规划

传统Q算法对于机器人回报函数的定义较为宽泛,导致机器人的学习效率不高。为解决该问题,给出一种回报详细分类Q(RDC-Q)学习算法。综合机器人各个传感器的返回值,依据机器人距离障碍物的远近把机器人的状态划分为20个奖励状态和15个惩罚状态,对机器人每个时刻所获得的回报值按其状态的安全等级分类,使机器人趋向于安全等级更高的状态,从而帮助机器人更快更好地学习。通过在一个障碍物密集的环境中进行仿真实验,证明该算法收敛速度相对传统回报Q算法有明显提高。     

基于改进遗传算法的移动机器人路径规划

针对传统遗传算法存在的搜索效率低、易于陷入局部最优解的问题,提出了一种改进的遗传算法;采用简单的一维编码替代复杂的二维编码,节约了存储空间;在遗传算子的设计中,重新定义了交叉算子和变异算子,避免了陷入局部最优;最后将最短路径和免碰撞相结合作为适应度函数进行遗传优化;在种群的各项参数均相同的情况下,分别对改进遗传算法和传统遗传算法进行了100次实验;其中,改进遗传算法搜索到最优路径的次数为95次,最短路径长度为20.970 6,平均搜索用时217 ms;传统遗传算法搜索到最优路径的次数为62次,最短路径长度为25.071 1,平均搜索用时345 ms;实验结果表明,相比于传统遗传算法,改进遗传算法搜索效率更高且能获得更好的解。     

基于改进遗传算法的机器人路径规划

在分析传统遗传算法的基础上提出一种移动机器人全局路径规划算法.采用方向的二进制串对染色体进行编码,在生成初始种群时,沿着正弦曲线轨迹生成部分染色体.另外选择和交叉操作采用了锦标赛选择算子和多点交叉算子,仿真结果显示本算法正确有效.     

基于改进RRT-Connect算法的移动机器人路径规划

针对双向快速扩展随机树算法RRT-Connect在移动机器人路径规划中生成路径绕远、转折多、收敛速度慢等问题,提出一种改进RRT-Connect算法.对新节点引入考虑祖代点的重选父节点环节,利用三角不等式原理优化部分路径长度,对每一个新节点的生成设置转角约束以减小路径转折,同时设计一种动态步长策略以加快算法的收敛速度....