基于改进A*算法的移动机器人路径规划方法

首先分析了A^*算法在运行过程中存在多条对称性的路径、扩展节点多等问题,指出使用定向搜索的方法减少A*算法生成并扩展的节点数量。通过消除对称路径,大量减少添加进openlist和closedlist中的扩展节点,极大地提高了搜索效率。最后使用不同地图进行实验,以验证改进后的算法性能。实验结果表明提出的定向搜索策略不仅是一个简单的策略,而且还是一个高效的策略。该方法是快速的、最优的,不需要提前处理任何信息,也不需要额外的存储空间,路径结果相较于传统算法更加平滑。     

基于改进的A*算法与动态窗口法的移动机器人路径规划

提出了一种改进的A^*算法与动态窗口法相结合的混合算法,以解决移动机器人在多目标复杂环境中的路径规划问题．首要,为了提升算法的运行效率,实现单次规划的路径可通过多个目标点,同时提升路径平滑处理的灵活性并满足移动机器人非完整约束条件,本文利用目标成本函数对所有目标进行优先级判定,进而利用改进的A^*算法规划一条经过多个目标点的最优路径,同时采用自适应圆弧优化算法与加权障碍物步长调节算法,有效地将路径长度缩短5%,转折角总度数降低26.62%．其次,为实现移动机器人在动态复杂环境中局部避障并追击动态目标点．提出将改进动态窗口算法与全局路径规划信息相结合的在线路径规划法,采用预瞄偏差角追踪法成功捕捉移动目标点,并提升了路径规划效率．最后,对所提方法进行仿真实验,结果表明该方法能够在复杂动态环境中更有效地实现路径规划．     

基于改进A*的移动机器人路径规划算法

移动机器人全局路径规划旨在为移动机器人导航提供一条安全、平滑的运动路径.传统A*算法规划的路径转弯多、不平滑,且对于U型地形存在过于贴合障碍物的问题.针对A*算法的缺点,在启发函数中加入余弦相似性和方向信息,并做归一化处理.选取36阶邻域搜索矩阵,解决贴合U型弯的问题.此外,提出了基于贝塞尔曲线的后处理方法,使规划的路...     

基于改进A*平滑性路径规划算法研究

为了解决传统A^*算法执行效率不高,转折点过多等问题,提出一种基于优化关键点选取和平滑路径的改进A^*算法。首先运用一种改进跳点搜索算法对A^*算法加快跳点搜索速度并对扩展子节点进行遴选,引入RRT*中剪枝思想在二次路径规划时剔除非必要的节点。最后将A^*算法结合Bezier曲线对生成路径进行平滑性处理。为测试改进A^*算法的可行性与有效性,在多种不同尺寸规格的栅格地图中和移动机器人平台上进行对比仿真实验。结果表明,改进后A^*算法相比于原A^*算法生成扩展节点数量更少、寻路时间缩短、执行效率更高,改进后A^*算法路径规划性能得到明显提升。     

融合JPS和改进A*算法的移动机器人路径规划

针对传统A*算法在场景较大的栅格地图路径规划时,很多冗余节点的遍历导致寻路算法内存消耗大、计算速度慢等问题,提出了一种对A*算法的改进策略.首先,改进启发函数的具体计算方式,利用切比雪夫距离替代欧氏距离使启发式函数精确地等于实际最佳路径,减少A*节点的拓展数量;其次,使用跳点搜索(JPS)策略筛选出跳点添加到OpenList和ClosedList代替A*算法中大量不必要的邻节点,通过跳点实现较长距离的跳跃,从而减少内存占用以及对节点的评估,直到生成最终路径.为了验证A*算法改进后的效果,在五种尺寸的二维栅格地图中进行仿真测试,结果表明,改进后的A*算法减少了大量寻路过程评估的节点,提高了寻路速度,并且随着地图尺寸的增加,改进后的A*算法能将寻路速度提高一个数量级以上.最后,将改进后的算法应用在移动机器人路径规划器上进行实验,在同一规划任务下,JPS策略下改进的A*算法较传统A*算法,路径搜索耗费时间减少了92.2％,拓展的节点减少了97.37％,能够满足大场景下移动机器人快速路径规划的要求.     

基于改进D*算法的室内移动机器人路径规划

对于D^*算法,由于其本身存在一定的缺陷,例如,规划阶段的庞大计算量,所得路径转角相对较大、具有多次转弯数,且若目标点更换后,原有规划不宜再用,应再次作出规划等。因此,对此算法进行改进。基于沃罗诺伊路线图法,将目标环境分解为多个局部环境,选取局部路径目标点时,以局部环境关键节点为主,对于无用节点,采取舍弃操作。使D^*算法的改进基于两点,即子节点选定方式、启发函数的改进,同时最大程度确保路径平滑。仿真结果表明,在转角度数、转弯次数上均有优化,规划时间缩短,路径质量提高,适当保持与障碍物的距离,机器人执行任务的安全性得到保障。在目标点变更后,利用沃罗诺伊路径路线图,机器人以更小的计算量抵达新的目标点。     

基于改进A*算法的移动机器人路径规划研究

A^*算法广泛应用于移动机器人路径规划中,而传统A^*算法在寻路时,普遍存在搜索时间较长、效率低下等问题,因此,采用双向搜索的方式,对传统A^*算法加以改进,该算法在路径规划过程中,可同时进行正反向路径搜索,同时采用正反向搜索交替机制,保证了最终目标节点搜索在连线中点区域内相遇,从而缩短了寻路计算时间。在MATLAB平台上,针对改进后的A*算法进行仿真实验,结果证明,双向A^*算法减少了规划时间,且可生成最优路径。最后,将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上,进行现场实验,实验结果表明,双向A^*算法减少了寻路计算时间,从而使得路径搜索效率得到显著提升,且规划路径合理,满足路径规划要求。     

融合改进A*算法和Morphin算法的移动机器人动态路径规划

在动态未知环境下对机器人进行路径规划,传统A*算法可能出现碰撞或者路径规划失败问题.为了满足移动机器人全局路径规划最优和实时避障的需求,提出一种改进A*算法与Morphin搜索树算法相结合的动态路径规划方法.首先通过改进A*算法减少路径规划过程中关键节点的选取,在规划出一条全局较优路径的同时对路径平滑处理.然后基于移动...     

基于改进A*算法的安全路径规划

由于传统的A^*算法存在搜索角度固定、经过障碍物时过于靠近障碍物、易导致碰撞、转向角度不够平滑的问题,提出一种改进A^*算法的安全路径规划方法。对A^*算法中的搜索邻域进行扩展,使搜索方向之间的夹角不再局限于45°;基于二维高斯分布设计安全距离矩阵,在启发函数中加入当前节点危险值;采用三次均匀B样条曲线对路径进行平滑处理。经过仿真验证,改进的A^*算法能够减少算法迭代次数,提升路径平滑程度,能够有效避免路径存在障碍物,提高了路径的安全性。     

改进Informed RRT*算法移动机器人路径规划

Informed RRT^*算法对初始解不敏感,规划出的路径太接近障碍物,导致路径不平滑。提出一种改进的Informed RRT^*路径规划算法,该算法改进了约束采样空间和引导策略。在采样初期,将采样区域限制在一个圆形区域,加快初始解收敛,在算法规划的过程中引入人工势场中引力场和斥力场的思想,使机器人与障碍物保持安全距离,并向目标位置行进。对Informed RRT^*算法和基于目标偏置的Informed RRT^*算法（Goal-bias-Informed RRT^*）以及改进后的Informed RRT^*算法进行比较实验,实验结果验证了改进后Informed RRT^*算法的有效性和优越性及稳定性。该算法较Informed RRT^*算法和Goal-bias-Informed RRT^*效率更高、更容易得到初始解、更安全、更平滑、更稳定。     

改进双向动态JPS算法的移动机器人全局路径规划

针对跳点搜索(jump point search, JPS)算法在寻路过程中所存在的路径拐点多、中间搜索跳点数多、寻找跳点的过程中扩展节点数多和寻路时间较长等问题,提出改进双向动态JPS算法。改进算法动态定义正、反扩展方向上的目标点,动态定义启发函数,并利用动态约束椭圆对算法的扩展区域加以限制,以区分椭圆内、外区域的扩展优先级。在算法从起点和目标点两个方向上分别向对方进行扩展的过程中,以寻找到的新的代价最小点为新椭圆的焦点,椭圆的方位和约束区域也随之动态调整。仿真结果表明,经过优化改进的双向动态JPS算法在一般地图中有一定的表现,在障碍物较少且目标点距离起点较近的室内环境地图中表现尤为良好。     

非结构化场景下基于改进JPS算法的移动机器人路径规划

针对移动机器人在大范围非结构化场景下的路径规划问题,在改进跳点搜索(JPS)算法的基础上结合A*搜索,提出一种基于分层栅格地图的Jump A*(JA*)路径规划算法.该算法对三维点云地图进行栅格化分层处理,将环境信息划分为结构层与非结构层,并建立搜索策略切换规则,依据图层信息使用不同的搜索策略,从而有效减少计算量.为了验证JA*算法的有效性,在图层比例不同的三维地图中进行仿真,仿真结果表明,JA*算法相比于传统的A*算法遍历节点更少,搜索效率更高;相比于双向A*算法,具有更高的鲁棒性.最后将JA*算法应用在公开数据集中,实验结果表明,JA*算法能有效解决移动机器人在大范围非结构化场景下的路径规划问题.     

基于插值A*算法的路径规划

提出一个基于插值的路径规划算法-插值A*.此算法可以在每个栅格路径代价不一致的情况下生成一条平滑路径.由于大多数基于栅格算法规划的路径只能从一个栅格中心到另一栅格中心,也就限制了路径的方向只能是倍数,所以所谓最优路径其实是次优的.插值A*算法在路径规划时,使用线形插值来计算出更精确的路径代价,由此产生更优路径.     

基于自适应启发函数和逆向寻优策略的改进 A* 移动机器人路径规划算法

移动机器人大多数情况都是在室外和室内障碍物环境下进行移动;因此,在这些障碍物环境中,高效率、短路径和少转折点的路径规划算法对移动机器人导航至关重要;针对在室外和室内障碍物环境下A^*算法无法同时保持高效率、短路径和少转折点的问题,提出了一种基于自适应启发函数和逆向寻优策略的改进A^*算法;通过增加自适应权重系数、引入父节点的影响力并对搜索方向进行筛选,减少了搜索面积,提高了搜索效率;采用逆向寻优策略对路径进行进一步优化,缩短了路径长度,减少了转折点数量;为了评估改进A^*算法的性能,在仿真实验中设置常见的室外和室内障碍物环境并与A^*算法对比;仿真实验结果表明,改进A^*算法在效率、路径长度和转折点数量方面具有显著优势,能够有效地应用于移动机器人的导航中。     

基于改进A*算法的机器人不平坦地形全局路径规划

针对机器人在非结构化和不平整地形的路径规划问题;提出了一种基于改进A*算法的全局路径规划方法。改进A*算法引入双向搜索策略以提高算法计算速度。通过路径节点过滤克服了双向搜索策略带来的问题并减少了关键节点的数量;增加坡度约束降低了机器人的爬坡角度和侧倾角度;提高了规划路径的安全性;通过Bézier曲线拟合路径使其变得光滑;更有利于机器人的运动控制。在不同地形和障碍密度的高程图上进行实验;验证了改进的有效性。实验结果表明;与传统A*算法相比;改进A*算法在路径长度增加14.6%至37.84%的情况下;计算时间减少了71.05%至82.90%;关键节点数量减少了51.94%至70.53%;并且爬坡角度和侧倾角度显著减少;路径更加平滑。因此;该方法在提高效率的同时能够在非结构化和不平坦的地形下生成安全可靠的路径。     

一种基于改进Theta *的机器人路径规划算法

对Theta *算法进行改进,并用于解决机器人路径规划问题.首先,将障碍物对机器人产生的斥力作为一种惩罚函数加入到启发函数中,并合理地选择惩罚函数权重以确定启发函数.在此基础上,改进A *算法的变种——Theta *算法,提出对路径进行平滑处理的PS_Theta *算法.最后在二维仿真环境中进行验证及数据统计,并推广至三维复杂环境中,实验结果证明了算法的合理性与有效性     

基于JPS策略的ACS移动机器人全局路径规划

针对蚁群系统（ACS）算法收敛速度慢、易陷入局部最优、路径转折点数量过多等问题,提出了一种基于跳点搜索（JPS）策略的ACS全局路径规划算法．该算法在迭代前加入一只特殊蚂蚁,利用方向因子引导该蚂蚁始终朝着目标方向前进,并查询是否存在最简路径;在蚂蚁查询下一个节点时,利用JPS算法思想舍去大部分不需要计算的节点．最后,为验证该方法的有效性,使用不同规格的栅格地图进行了仿真实验,仿真结果表明,改进的ACS算法相比于ACS算法,收敛速度加快、收敛时间缩短,且路径更优．最后将算法应用到实际的基于机器人操作系统（ROS）的移动机器人导航实验中,实验结果表明,改进的ACS算法能够有效地解决移动机器人全局路径规划问题,且能明显提升机器人全局路径规划的效率．     

面向未知环境的机器人动态路径规划算法研究

针对未知地图环境下侦察巡检机器人路径规划算法存在的运算耗时较高、响应慢等问题,提出一种适用于未知地图信息情况下的动态路径规划方法及避障策略.首先,改进跳点搜索算法的关键点生成方法,针对大地图动态环境下的搜索需求提出"指定动态跳点"策略;其次,针对"指定动态跳点"策略在凹型障碍物内不易脱离等问题,提出"重搜索"策略;最后...     

基于改进A*算法和动态窗口法的机器人路径规划

针对移动机器人在复杂环境下(包含静态和动态环境)的路径规划效率低的问题,提出了一种改进的A*算法与动态窗口法相结合的混合算法。针对传统A*算法安全性不足的问题,采用障碍规避策略,优化节点的选择方式,增加路径的安全性;针对转折点多的问题,采用递归二分法优化策略,去除冗余节点,减少转弯次数;针对静态环境下路径平滑性不足的问题,采用动态内切圆平滑策略将折线角优化成弧度角,以增加路径的平滑性。对于传统动态窗口法的目标点附近存在障碍物时规划效果不好和容易在凹型槽类障碍物中陷入局部最优的问题,在原有的评价函数中引入了距离偏差和轨迹偏差。最后,对所提的改进A*算法和混合算法分别在静态和动态环境下与其他算法进行仿真比较。从结果可以看出,与传统混合算法相比,临时障碍环境下,路径长度和运行时间分别缩短了13.2%和65.8%;移动障碍环境下,路径长度和运行时间分别缩短了13.9%和44.9%,所提的算法提高了在复杂环境中规划路径的效率。