智能选矿摇床巡检机器人的路径规划

选矿摇床是一种重要的重力选矿设备,已有百年的发展历史,它是钨、锡等矿选矿的关键设备,在工业中获广泛应用。但是,目前摇床的生产操作基本还是依赖人工来完成,摇床的自动化和智能化是目前急需解决的问题。针对选矿摇床生产的智能化问题,基于团队开发的摇床智能巡检机器人,采用改进的遗传算法对摇床生产巡检机器人的全局路径进行规划,并用带栅格地图的A*算法解决了巡检机器人的局部路径规划问题。     

人工智能算法在机器人矿井作业路径规划中的应用

在矿井下由于环境较为恶劣,不适合人类长期作业,并且对于矿难发生之后,人类无法直接进入井下救援,因此一类可以在井下作业的机器人技术显得尤为重要。文章针对机器人路径规划的特点,利用栅格法对机器人的导航环境进行有效的处理,并提出了基于粒子群算法的机器人全局最优路径规划方法。该方法有效地在机器人导航环境中得以实现,相对于遗传算法,取得了较好的仿真结果。仿真实验验证了这种方法的有效性与可行性。     

矿用机器人局部路径优化算法研究

煤炭资源现阶段依然是我国的主要能源之一,然而煤炭开采过程中的特殊环境导致了安全事故频有发生。针对发生矿难后环境复杂、光线黑暗、通信不畅等问题,为了使机器人要顺利避开巷道内障碍物达到目的地展开工作,提出了一种基于JPS(jump point search)—A*的算法,在保证选出最优路径的同时,大大减少了传统A*算法在寻路过程中扩展的节点。实验室仿真结果表明运用改进后的A*算法,较传统A*算法在寻找最佳路径的速度提高了约2倍,在现实工业生产中具有深远的指导意义。     

煤矿水泵房巡检机器人路径规划与跟踪算法的研究

目前煤矿水泵房排水设备的巡检工作仍需要人工完成,存在工人巡检懈怠,巡检不及时,巡检不到位,巡检结果数字化不便等问题。结合里程计定位技术、轮式移动机器人导航和避障技术,以ROS机器人开发平台为基础,研究了一种适用于井下水泵房环境的巡检机器人全局路径规划与跟踪算法,可实现巡检机器人在无人为干预,无磁轨、线缆或GPS辅助的情况下按照设定的路径自主移动完成水泵房设备的巡检工作。首先根据水泵房的平面图建立二维栅格地图,通过PRM路径规划算法在建好的二维栅格地图中规划一条经过所有检测点和行进点的无障碍路径,接着通过Pure Pursuit路径跟踪算法计算巡检机器人沿该路径行走需要的实时线速度和角速度,将其发送给巡检机器人运动控制器,然后控制器根据雷达数据实时监测机器人10 cm范围内障碍物情况,决定巡检机器人是否采用当前的线速度和角速度沿规划路径行走,最后在机器人到达检测点后对排水设备进行拍照和运行数据的采集。通过对巡检机器人的模拟实验结果分析得出：巡检机器人能够避开路径上的障碍物,准确到达巡检点,机器人实际位置平均误差为4 cm,姿态角度平均误差为0.095 rad,满足机器人巡检工作的要求。     

基于障碍物尺度的封闭狭长空间路径规划研究

栅格法广泛应用于移动机器人环境建模和路径规划中。为了解决在狭长空间如煤矿巷道环境中,障碍物、机器人和空间尺寸失调,以机器人中心点到自身轮廓最远距离的2倍为栅格尺寸建模容易导致路径规划失败的问题,采用以影响机器人通行的障碍物大小为基准设定栅格尺寸、机器人尺寸在地图上占据多个栅格的狭长空间地图建模方法,利用障碍物碰撞检测函数对传统A^*算法进行改进,仿真研究了改进算法在狭长空间中的全局路径规划的有效性,开展了实际环境下的路径规划实验。研究结果表明,采用提出的栅格建模方法和改进A^*算法可得到一条起始点到终点的无碰撞路线,可完成狭长空间的复杂环境路径规划。     

煤矿井下基于改进A*算法的移动机器人路径规划

移动机器人的路径规划一直是移动机器人研究领域的难点问题。针对煤矿井下环境的不确定性,移动机器人路径规划效果不理想,采用启发式搜索算法中的A*算法实现井下移动机器人的局部路径规划,并对A*算法中的估价函数进行加权修正,保证了估价函数的可靠性,提高了路径规划效率。仿真实验说明该方法的有效性和可行性。     

煤矿井下基于改进A*算法和移动机器人路径规划

移动机器人的路径规划一直是移动机器人研究领域的难点问题.针对煤矿井下环境的不确定性,移动机器人路径规划效果不理想,采用启发式搜索算法中的A*算法实现井下移动机器人的局部路径规划, 并对A*算法中的估价函数进行加权修正,保证了估价函数的可靠性,提高了路径规划效率.仿真实验说明该方法的有效性和可行性.     

基于方位编码的遗传算法在路径规划中的应用

路径规划是移动机器人关键技术,针对移动机器人在已知环境下避障和搜索最优路径问题,提出了一种运用栅格法辅以遗传算法进行搜索的方案。其中栅格法用来划分地图,而后为机器人自身周围八个方位进行二进制编码,这些方位编码按顺序排列,组成一串定长染色体,包含机器人移动的路径信息。运用自适应遗传算法得出最优路径的方位编码组合,最后对其解码求出最优路径。     

基于改进混合A*算法的地下无人铲运机智能路径规划

矿山无人铲运机自主定位导航是井下采矿装备智能化程度评价的重要指标,其中路径规划是铲运机自主行走的重要组成部分。而目前井下铲运机的规划路径多以巷道中心线为基础或难以执行,本文提出了一种适用于地下矿采场无人铲运机的混合A*算法进行出矿点到卸矿点的全局路径规划。首先分析了井下铲运机的运动模型,确定其路径规划参考点及车辆本身的数学结构关系,简化路径规划问题复杂度;其次针对铲运机作为非完整约束机器人,从栅格地图中当前点到目标点启发式函数构建以及子节点扩展方法两个方面设计了混合A*算法进行全局路径规划方法;最终采用地下矿采场中常见的五种巷道交岔口场景进行了路径规划试验分析,证明了以Dubins曲线、ReedsShepps曲线以及A*算法的启发式函数值中最大值作为该节点启发式函数的值进行混合A*算法搜索更新较为合理,能得到可以行驶的优化路径。为进一步推进井下铲运机无人化提供了理论基础,保证了规划路径的可执行性。     

基于改进蚁群算法的智能铲运机全局路径规划

以矿井GIS地图为基础建立环境栅格模型,结合改进蚁群算法对智能铲运机在井下环境中的全局路径规划问题进行求解。对基本蚁群算法存在的问题进行改进,分别从路径选择规则、全局信息素更新规则和局部信息素更新规则三方面进行优化。通过仿真实验验证该改进蚁群算法的有效性,并与基本蚁群算法进行比较,结果表明,改进蚁群算法具有较好的稳定性和全局最优性,而且收敛速度较快。该算法可根据已知巷道环境地图得到铲运机的最优路径,有利于智能铲运机的高效工作。     

基于改进势场栅格法的移动机器人路径规划

路径规划是移动机器人的核心问题之一。以势场栅格法为前提,在首次得到安全路径的基础上,去掉无效栅格,将剩余栅格长度等比递减,再次以同样方法规划路径。通过对移动机器人在不同环境下的改进前后的2次路径规划结果进行比较知,采用改进后的势场栅格法所得到的路径,距离更短且安全有效。     

基于蜂群算法的煤矿救灾机器人全局路径规划

研究了一种基于人工蜂群算法的煤矿救灾机器人全局路径规划算法。该算法首先进行环境建模,然后根据环境信息特点,巧妙结合人工蜂群算法获得机器人全局优化路径。该路径规划方法具有建模方便、算法简单以及不局限于障碍物的形状等特点。实验证明,本算法可以快速有效地规划出一条全局较优化路径,是解决全局环境已知情况下机器人路径规划的一种有效方法。     

基于改进蚁群算法的变电站巡检 机器人路径规划研究

以提升机器人在巡检变电站时的工作效率,节省巡检时间消耗,设计了改进蚁群算法的变电站巡检机器人路径规划方法。利用栅格法构建变电站机器人巡检路径地图,使用二值表示障碍区域,在经典蚁群算法中引入方向夹角启发因子,提升路径搜索的导向性与搜索速度,使用拉普拉斯概率分布作为信息素挥发因子自适应策略,提升蚁群算法的收敛速度,以实际变电站作为研究对象,结果表明,改进蚁群算法的巡检路径寻优效果和规划速度优于同类路径规划方法,获得了理想的路径规划效果。     

基于人工鱼群算法的煤矿救援机器人路径规划

根据煤矿救援环境特点,采用人工鱼群算法对救援路径进行规划,在二维平面内建立环境模型,并采用威胁区域距离检测的方式处理优化约束条件。对不同数目参考点选取进行对比研究,增加参考点数目,路径长度增加,算法复杂程度提高,迭代时间延长,算法性能下降;参考点过少会导致路径规划成功率降低。仿真结果表明,设置合理的参考点数目,人工鱼群算法能在较短的迭代时间内成功规划得到最优路径。     

A*算法在矿井灾害应急救援中的应用

针对矿井灾害事故后开展人员疏散和实施救援问题,建立矿井巷道网络模型,给出一种在三维空间中进行搜索时的启发式函数设计思路,合理进行数据结构设计以改进A*算法,在完成对矿井灾害应急救援最短路径求取的过程中,减小了系统开销,提高了搜索效率。     

针对深海采矿车的遍历路径规划方法研究

针对深海采矿车在海底复杂条件下周围环境信息缺少,实时处理数据能力低,环境建模困难复杂,难以自主和高效完成深海采矿作业等问题,提出一种深海采矿车遍历采矿作业的全覆盖路径规划方法。首先利用AUV(自主水下机器人)采集数据得到的水下DEM(数字高程模型)数据模型构建出海底的三维静态地图模型,根据得到的底质类型数据划分障碍物构建出二维静态栅格环境模型;然后考虑栅格状态、距离因素和转向因子建立启发函数,实现遍历路径采矿工作。结合实际采矿过程中出现的采矿死区问题,引入改进A*算法规划逃离出死区路径,保证了重复率尽可能小;最后通过MATLAB仿真验证。结果表明,该算法确保采矿覆盖率为100%的同时降低了重复率和转弯次数,提高了深海采矿车的工作效率和经济效益,为深海采矿车海底路径规划提供了理论基础。     

基于Q-learning算法的煤矿井下移动机器人路径算法研究与展望

文章研究了Q-learning算法,并且基于该算法,对煤矿井下机器人的移动路径进行了规划,并且对规划方案进行了仿真分析,通过研究发现Q-learning算法的路径规划能力优越,特别是对于条件极为恶劣、工况十分复杂的煤矿井下作业环境而言,能够较好地获取满意的规划结果。     

基于分段自适应鱼群算法的煤矿救援机器人路径规划

针对基本人工鱼群算法全局最优解精度不高,后期收敛效率降低等问题,笔者设计了人工鱼的视野与步长分段自适应策略用以改进基鱼群算法。根据煤矿救援环境的特点,在二维平面内建立环境模型,采用威胁区域距离检测的方式处理优化约束条件,并将改进后的鱼群算法应用于煤矿救援机器人路径规划。仿真结果表明,分段自适应鱼群算法性能明显优于基本鱼群算法。     

基于Q-learning算法的煤矿井下移动机器人路径规划

如何针对煤矿井下环境的不确定性规划机器人的路径是其中的一个难点。文章提出了一种基于Q-learning算法的移动机器人路径规划,希望对提高机器人救援的避障能力的提升,起到一定的促进作用。