基于人工磁场的防疫机器人路径规划

针对传统人工势场法在防疫机器人路径规划过程中容易陷入局部极小值和目标不可达的问题,提出一种基于人工磁场的路径规划算法。首先,对障碍物周围建立人工磁场,引入洛伦兹力,洛伦兹力与引力保持垂直,避免机器人陷入局部极小值点;其次,在洛伦兹力函数中引入机器人与目标点的距离影响因子,解决目标不可达问题;再次,通过建立目标点与障碍物之间的虚拟直线优化洛伦兹力的方向,避免迂回路径,减少路径规划的步数。最后,在MATLAB环境下对传统人工势场法和人工磁场法进行了仿真实验,实验结果表明,人工磁场法可以克服局部极小值和目标不可达问题,规划的路径对障碍物进行了避障,避免了徘徊振荡的情况出现,提高了路径规划的质量。     

动态环境下基于人工势场的足球机器人路径规划

人工势场法是足球机器人路径规划中常用的方法,传统人工势场法在静态环境中取得了很好的效果,但它不能够满足复杂的动态环境下实时规划的要求。本文将相对速度矢量引入人工势场,对势场函数进行改进,推导出基于速度矢量的引力函数和斥力函数。在新的势场函数作用下,机器人能够快速躲避障碍物并迅速到达目标位置,仿真结果验证了方法的有效性。     

基于IAPF与多层Morphin搜索树的移动机器人路径规划

针对传统人工势场法(artificial potential field,APF)的易出现振荡、死区、局部极小值等缺陷。提出一种结合机器人位置、速度、加速度及障碍物位置等信息的改进人工势场法(improved artificial potential field,IAPF)。利用Morphin算法计算效率高、易结合全局路径规划算法的优点,提出一种多层Morphin搜索树算法。首先,利用改进人工势场法完成路径的全局规划,在此基础上在障碍物附近用多层Morphin搜索树算法进行路径规划。利用MATLAB仿真测试表明,所提出的改进人工势场法与多层Morphin搜索树的混合算法,在移动机器人自主路径规划中,能有效缩短路径长度,提高到达目标点的效率,高效完成路径规划。     

融合改进灰狼优化算法和人工势场法的路径规划

传统灰狼优化算法(Grey Wolf Optimization, GWO)规划的路径全局较优,但存在求解效率低和易陷入局部最优的缺陷,而人工势场法(Artificial Potential Field, APF)规划的路径虽然平滑,但有规划路径存在震荡和目标不可达的问题｡针对两种算法的不同缺陷,提出一种兼顾全局和局部特性的算法-灰狼势场算法(Grey Wolf Potential Field Algorithm, GWPFA)｡首先,提出一种建立特征栅格地图的新方法;其次,通过设置灰狼个体的相对距离d和调节因子λ,将参数a改进成非线性衰减;再次,提出节点优先级的概念,根据此概念重新对路径规划问题进行建模;最后,将改进GWO算法全局路径规划的节点作为APF算法的临时目标点,并改进临时目标点为临时边界,再进行局部路径规划｡仿真结果表明,在全局静态环境下,GWPAF算法的运行时间､最优路径长度及转弯角度相比于GWO算法分别优化了224.5s､16.3m及38.9°;在局部动态环境下,GWPFA算法在保证路径最优性的同时可以成功避障｡仿真结果验证了GWPFA算法的有效性、可行性及优越性｡     

无线紫外光通信下基于改进人工势场法的无人机编队控制研究

无人机（Unmanned Aerial Vehicle, UAV）因其保密性好、易于操作、安全系数高等优点,近些年来被广泛研究并应用在军事和民事等多个领域中。虽然目前关于无人机的研究已经取得了许多成果,但无人机在复杂环境下机间通信的稳定、局部极小值问题和目标不可达问题仍然存在,本文提出了一种将无线紫外光通信与人工势场法相结合的改进方法,利用无线紫外光通信稳定、干扰小特点,保证机间通信稳定的同时进行机间测距,预防动态运行时机间碰撞的发生;对人工势场加以改进解决飞行过程可能出现的局部极小值和路径振荡问题,保证飞行任务的顺利进行。通过实验验证,结果表明本文提出的方法能为无人机在复杂环境下保持机间通信稳定的同时顺利达到目标点提供保障,解决了无人机通信不稳定、飞行局部极小值和目标不可达问题。     

改进QPSO和Morphin算法下移动机器人混合路径规划

为了提高机器人在复杂环境下路径规划的能力,提出了一种基于改进量子粒子群优化算法(QPSO)和Morphin算法的混合路径规划方法。利用栅格地图建立环境模型并确定起始点和目标点,通过引入自适应局部搜索策略和交叉操作对QPSO进行改进规划出一条最优的全局路径,机器人根据全局路径行走,当发现未知静态或动态障碍物立即调用Morphin算法进行局部路径规划,避开障碍物后回到原全局路径上继续行走至目标点。该混合路径规划方法的有效性和可行性通过Matlab仿真和实际应用得到很好地验证。     

基于改进APF-RRT的机械臂避障路径规划

为提高机械臂在复杂环境下的避障路径规划效率,提出一种适用于椭球障碍物的改进人工势场-快速搜索随机树（Artifical Potential Field-Rapidly exploring Random Tree,APF-RRT）算法。首先,使用椭球体包围盒包络障碍物,对椭球体的碰撞检测进行分析;其次,为了加快路径探索速度,引入随机点效应与随机点选择机制对RRT算法进行改进,机械臂采用改进后的RRT与人工势场法的混合方法进行路径规划;最后,对规划好的路径进行冗余点删除,并使用四次B-样条曲线对路径进行平滑,提升路径的质量。实验结果表明,相较于经典算法,该算法能够快速完成避障路径规划且规划路径更短。     

基于运动预测与改进APF的无人机路径规划方法

动态路径规划是保障无人机在复杂干扰环境下飞行安全的关键要素。针对动态路径规划中存在的迭代次数高、收敛速度慢以及动态障碍物避障问题,提出了一种基于障碍物运动预测与改进APF的无人机动态路径规划方法。首先,针对动态障碍物,设计了基于激光雷达的目标检测算法和基于卡尔曼滤波的运动预测算法估计动态障碍物信息,并提出速度方向相似性检测方法进行局部位置脱离决策。其次,针对静态障碍物,引入模拟退火法扰动当前状态,并结合基于目标点的邻域优化函数进行动态路径规划。仿真结果表明,本文算法在应对静态障碍物时可缩短69%动态避障时间,应对动态障碍物时可缩短了19.7%的避障距离与23.6%的任务耗时,提高了无人机任务执行的安全性和效率。     

深度强化学习在机器人路径规划中的应用

针对深度强化学习算法在路径规划的过程中出现与所处环境交互信息不精确、回馈稀疏、收敛不稳定等问题，在竞争网络结构的基础上，提出一种基于自调节贪婪策略与奖励设计的竞争深度Q网络算法。智能体在探索环境时，采用基于自调节贪婪因子的ε-greedy探索方法，由学习算法的收敛程度决定探索率ε的大小，从而合理分配探索与利用的概率。根据人工势场法物理理论塑造一种势场奖励函数，在目标处设置较大的引力势场奖励值，在障碍物附近设置斥力势场奖励值，使智能体能够更快的到达终点。在二维网格环境中进行仿真实验，仿真结果表明，该算法在不同规模地图下都取得了更高的平均奖赏值和更稳定的收敛效果，路径规划成功率提高了48.04%,验证了算法在路径规划方面的有效性和鲁棒性。同时与Q-learning算法对比实验表明，所提算法路径规划成功率提高了28.14%,具有更好的环境探索和路径规划能力。     

对特高压变电站巡检机器人路径规划改进蚁群算法的研究

针对当前变电站巡检机器人路径规划算法存在的规划和适应性较弱等问题,在特高压变电站巡检机器人系统结构的基础上,提出了一种结合蚁群优化算法和人工势场算法的特高压变电站路径规划方法。将蚁群算法的传统单向搜索改进为双向搜索,在启发因子中加入人工势场力的合成方向,并对转移概率进行改进。通过栅格法构建特高压变电站仿真环境,进一步验证了所提规划方法的优越性。仿真结果表明,改进算法具有显著改善迭代次数和最小路径的效果,20×20栅格环境迭代15次收敛到长度26的最优路径,30×30栅格环境迭代70次收敛到长度43的最优路径。     

基于改进蜂群算法的工业机器人路径规划研究

针对工业机器人在复杂环境中运动的避障及路径优化问题,提出基于改进人工蜂群算法的工业机器人避障路径规划策略。首先针对传统人工蜂群算法搜索能力不足且容易陷入局部最优的问题,将禁忌搜索思想引入到人工蜂群算法最优解搜索过程中,形成了基于禁忌搜索的改进型人工蜂群算法,然后将其应用到工业机器人的路径规划问题中,并进行了仿真实验。结果表明,改进后的方法能够得到最优的路径,且寻优速度快、过程稳定。该方法可用于解决工业机器人路径规划问题。     

改进型A*算法的可重构机器人路径规划研究

路径规划是保证可重构机器人快速完成任务的关键技术之一。为提高可重构机器人的行驶效率，缩短行驶路径，首先，提出一种基于Bresenham直线算法思想的改进型A*路径规划算法，实现可重构机器人路径点数消减、拐点消除，提高路径平滑度。在此基础上，考虑可重构机器人本身体积以及机器人可重构的特性，建立可重构机器人构型库，讨论了可重构机器人体积与周围障碍物的关系，减少机器人行走过程中与障碍物的碰撞几率。利用MATLAB仿真平台对改进型A*路径规划算法进行仿真实验，验证了算法的有效性，可应用于复杂环境的机器人路径规划；分析了机器人重构后路径规划问题，利用可重构特性可缩短机器人运行路程，体现了可重构机器人的优越性。     

多层优化蚁群算法的移动机器人路径规划研究

针对地图环境建模以及蚁群算法存在的问题,提出了一种移动机器人路径规划的多层优化方法.首先对U型陷阱栅格区域进行凸化处理,避免前期搜索混乱;设计新的状态转移规则,解决常规蚁群规划的路径过于紧贴障碍物的问题;改进距离启发式函数,有效提高算法收敛速度;设计平滑启发函数,增加蚂蚁局部探索时直行的机率,提升初始路径平滑性;提出按路程长度和平滑程度分配信息素的更新原则,利用优质蚂蚁进行全局信息素更新,进一步提高算法收敛速度;利用最大最小蚂蚁策略,防止蚁群陷入局部最优;通过二次路径优化策略,去除多余冗余点,进一步提升路径平滑性.仿真及实验结果表明,该方法能为移动机器人规划出一条安全且综合性能较好的路径,为路径规划的求解提供了一种切实可行的方法.     

基于改进深度强化学习的移动机器人路径规划

针对传统深度强化学习中移动机器人在稀疏奖励环境下只有在规定时间步内到达目标位置才能得到积极奖励,中间过程的每一步都是负面奖励的路径规划问题.提出了基于改进深度Q网络的路径规划方法,在移动机器人在探索过程中,对以真实目标为条件的轨迹进行采样,在经验回放过程中,把移动机器人已经到达的状态来代替真正的目标,这样移动机器人可以获得足够的积极奖励信号来开始学习.通过深度卷积神经网络模型,将原始RGB图像作为输入,通过端对端的方法训练,利用置信区间上界探索策略和小批量样本的方法训练神经网络参数,最后得到上、下、左、右4个动作的Q值.在相同的仿真环境中结果表明,该算法提升了采样效率,训练迭代更快,并且更容易收敛,避开障碍物到达终点的成功率增加40％左右,一定程度上解决了稀疏奖励带来的问题.