基于双向F-RRT*算法的移动机器人路径规划

针对F-RRT*算法在狭窄环境和多障碍物复杂环境下搜索效率低的问题,提出一种基于双向搜索的F-RRT*算法(BF-RRT*)。以F-RRT*算法为基础,首先采用双向搜索结构,双树从起点和终点轮流扩展,使用贪婪启发式引导随机树生长;其次,针对连续扩展过程中产生的冗余点进行消除处理,快速获得低成本路径,有效提高了规划速度;然后引入启发式函数,并对连接点进行优化以提高路径整体质量。最后分别基于MATLAB和Gazebo仿真平台将改进算法进行了对比实验,结果表明在不同环境下,该算法相较于原算法在迭代次数上平均降低63.5%,在规划时间上平均降低88.41%以上,有效提高了规划效率。     

改进蚁群算法求解移动机器人路径规划

在全局静态环境下,提出一种改进蚁群算法,解决传统蚁群算法用于路径规划出现的收敛速性差、局部最优和求解质量差等不足。该算法引入障碍物排斥权重和新的启发因子到路径选择概率中,提高避障能力,增加路径选择的多样性;然后,设置局部信息素的阈值和限定范围更新局部信息素,采用交叉操作获取新路径,引入最优解和最差解,改变全局信息素的更新方式,提高全局搜索能力和解的质量,避免算法陷入局部最优。仿真结果表明,该算法能有效获得最优路径,在长度上比蚁群算法及其他算法分别减少了18%、5.7%和11%,算法迭代次数及运行时间都有所降低,提高了收敛速度和搜索能力。     

面向复杂环境的移动机器人在线路径规划

针对移动机器人作业环境的复杂性和不确定性,提出一种面向复杂环境的移动机器人在线路径规划方法。该方法借鉴自学习实时启发式搜索和多步搜索思想,将执行阶段与规划阶段交替进行,并在传感器有限探测范围内寻优,使规划路径适应复杂环境约束,规避障碍物,同时满足在线应用的要求。仿真结果表明该方法可以快速有效的完成面向复杂环境的移动机器人在线路径规划,证明了方法的正确性和有效性。     

在未知环境中作业移动机器人的定位算法

针对移动机器人在未知环境中的定位问题,通过对移动机器人在未知环境中的运动分析,结合多传感器信息,提出了一种新的移动机器人在未知环境中的定位算法。该算法可根据移动机器人的运动过程,不断更新其位置状态,对下一步位置状态进行预估计,根据实测传感器信息对预估值进行修正,获得实际位置状态。仿真实验表明本算法的有效性。     

改进变步长蚁群算法的移动机器人路径规划

针对移动机器人在蚁群算法路径规划中存在陷入局部收敛且无法做到路径最优的问题,提出了改进变步长蚁群算法,使其能够在收敛迭代次数较少的情况下做到路径最优。针对蚁群算法应用在路径规划中的相关特性,优化信息素分配,降低局部信息素含量对算法的影响,避免蚁群在搜索路径时陷入局部最优,在转移概率公式中增加权重因子,提高移动机器人朝着终点方向移动的概率,有效减少蚁群收敛迭代次数,改变移动机器人移动步长,使其能在360°内自由无碰撞移动,有效缩短路径长度。仿真结果表明,在简单环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为2次及28.042 m,传统蚁群算法的收敛迭代次数及最优路径长度分别为25次及29.213 m;在复杂环境下,改进变步长蚁群算法的收敛迭代次数及最优路径长度分别为2次及43.960 2 m,改进势场蚁群算法的收敛迭代次数及最优路径长度分别为16次及45.112 7 m。仿真结果验证了改进变步长蚁群算法的有效性和优越性。     

改进RRT的移动机器人路径规划算法

针对快速扩展随树算法(RRT)在移动机器人路径规划中随机性强、转折点多、存在大量冗余点的缺点,提出了一种基于单元分解法的改进RRT算法。首先在算法初始阶段,利用单元分解法将地图划分为可行区域与障碍区域;后根据区域与区域之间邻接关系,将随机采样点的选择固定在邻居区域内,直至扩展到目标点所在区域;并对搜索到的最终路径进行优化处理,改善路径转折点过多的问题。仿真结果表明,改进RRT算法生成的路径长度更短、消耗时间更少,最后将改进RRT算法应用在实际移动机器人中,进一步证明改进算法的实用性和有效性。     

基于改进灰狼优化算法的移动机器人路径规划

针对移动机器人避障路径规划问题,在基本群智能算法灰狼优化算法的基础上,提出改进灰狼优化算法,测试函数证明了算法的稳定性和收敛性,进而将其首次应用于移动机器人避障路径规划问题,通过对改进灰狼优化算法的移动机器人避障路径进行研究,并与基本灰狼优化算法、粒子群算法、遗传算法比较,仿真结果证明了算法的稳定性和收敛性,对路径规划领域有十分重要的研究意义。     

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...     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

Autonomous Variable‐Resolution Map Building for Mobile Robots in Unknown Environments

This paper presents a method that allows simultaneous map building and path planning for mobile robots in unknown environments. A graphical representation of a workspace in variable resolutions is constructed using measurement data obtained by omnidirectional distance sensors. At the same time, a search for a feasible path to the target destination is executed using the constructed graph map. The proposed method is evaluated by performing simulations and experiments using an omnidirectional mobile robot equipped with laser range finders. © 2013 Wiley Periodicals, Inc. Electr Eng Jpn, 186(4): 59–69, 2014; Published online in Wiley Online Library ( wileyonlinelibrary.com ). DOI 10.1002/eej.22493     

动态不确定环境下一种移动机器人路径规划方法

提出了一种在动态不确定环境下基于信度分配Sarsa强化学习算法的移动机器人路径规划方法。通过引入信度分配函数有效分配强化信号,来修正动作选择策略,提高了学习效率和速度,能够很好地解决动态不确定环境下特别是存在随机运动障碍物的环境下移动机器人路径规划问题。仿真实验说明该方法的有效性和可行性。     

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...     

基于强化学习算法的井下移动机器人路径规划

移动机器人路径规划一直是机器人研究领域中的难点问题,本文针对煤矿井下环境的不确定性,采用强化学习算法中的Q-learning算法实现井下移动机器人的局部路径规划,并对Q函数中的即时回报进行加权修正,使算法更有效地利用环境特征信息,提高了避障能力.仿真实验说明该方法的有效性和可行性.     

Mobile Robot Path Planning in Dynamic Environments: A Survey

There are many challenges for robot navigation in densely populated dynamic environments. This paper presents a survey of the path planning methods for robot navigation in dense environments. Particularly, the path planning in the navigation framework of mobile robots is composed of global path planning and local path planning, with regard to the planning scope and the executability. Within this framework, the recent progress of the path planning methods is presented in the paper, while examining their strengths and weaknesses. Notably, the recent developed Velocity Obstacle method and its variants that serve as the local planner are analyzed comprehensively. Moreover, as a model-free method that is widely used in current robot applications, the reinforcement learning-based path planning algorithms are detailed in this paper.     

基于粗糙集与遗传算法的机器人喷枪路径规划方法

为提高喷涂机器人喷枪路径的快速性和准确性,提出一种基于粗糙集和遗传算法的喷涂机器人喷枪路径规划方法。首先用粗糙集理论对初始决策表进行约简获得最小决策表,并从中提取最小规则,然后利用所得的最小决策规则训练得出一系列可行路径的集合,最后利用遗传算法对这个种群优化,获得最优喷涂路径。对某品牌汽车车身后盖为喷涂对象进行试验仿真,结果验证所提算法在喷涂机器人喷枪路径规划速度上具有优势。     

基于改进Dijkstra算法的输电线路路径规划

输电线路选线设计是一项复杂的多专业协同的工作,需要顾及地形、地质、覆冰、气温等多种因素.引入智能路径规划Dijkstra算法,可以大幅提高输电线路选线效率,通过设置高效的优先目标搜索区域,减少大量无效运算,能显著减少Dijkstra算法的搜索时间.采用MATLAB编写程序并通过实例验证,改进Dijkstra算法能够在输...     

基于混合算法的电力杆塔巡检实时航迹规划

传统的电力杆塔拍摄视点顺序固定,多旋翼无人机巡检距离并非最优;同时,随着维度增加,航迹规划算法空间复杂度呈指数增长,不能满足实时规划航迹的需求。针对以上问题,提出一种基于蚁群和A*混合算法（ACO-A*）的电力杆塔巡检三维航迹规划方法。该方法分为全局规划和局部规划,全局规划利用改进蚁群算法找到覆盖所有视点的较优路径,并通过算法判断路径是否经过障碍物,再运用A*算法局部规划。仿真结果表明：ACO-A*算法规划的航迹长度比《架空输电线路无人机巡检影像拍摄指导手册》规定的巡检航迹降低了16.85%;ACO-A*算法路径规划时间比A*算法降低了99.68%。因此本方法既节约了巡检能耗,又提高了航迹规划的效率。     

基于改进遗传算法的变电站巡检机器人路径规划

变电站巡检机器人的路径规划是一个复杂的组合优化问题。与经典的TSP问题不同,变电站巡检线路中各坐标之间并不具备完全的连通性,传统的优化方法难以解决此类问题。为此,文中提出一种改进遗传算法用于巡检路径规划,采用拓扑图对机器人工作环境进行建模,然后采用特殊的交叉算子、自适应变异算子和淘汰算子,对每一代被淘汰的个体进行逆转变异并将产生的新个体重新加入种群,随迭代次数调整变异概率,从而对连续的规划空间直接进行寻优。仿真结果表明,该算法在巡检机器人路径规划中与模拟退火算法、传统遗传算法和基于个体相似度改进的自适应遗传算法(ISAGA)相比,得到的路径平均长度分别缩短了4.9%、8.3%和3.1%,并且具有更好的收敛性和稳定性,在实际的巡检任务中能够起到更好的效果。