基于混沌控制的移动机器人的路径规划

针对多目标不确定环境下移动机器人路径规划算法复杂的问题,提出了一种新的规划算法——混沌控制算法,并用Visual Basic语言进行了仿真。     

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。     

基于混沌遗传算法的机器人路径规划方法研究

针对机器人路径规划中,应用遗传算法时容易陷入局部最优解以及收敛速度较慢等问题,设计出一种基于混沌遗传算法的路径规划方法。在基本遗传算法的基础上采用自适应调整的选择概率,并引入混沌操作,从而增强移动机器人路径规划算法的鲁棒性,解决一般遗传算法的早熟和收敛速度慢问题。经MATLAB仿真,证明该方法具有良好的避障性能。     

移动机器人的动态路径规划及控制

本文阐述了两类机器人的导航方法:第一类方法是,先生成整个路径,然后进行路径跟踪控制;第二类方法是所谓的势场方法,即利用人工势场直接进行运动控制.在此基础上,我们提出了用于移动机器人系统导航的动态路径规划-控制方法.系统根据环境信息对路径进行动态的生成与控制,从而与实际环境实现了闭环,增加了对系统的稳定性和对环境的适应能力.     

基于向量场的移动机器人动态路径规划

由于简洁、高效等优点,人工势场法已应用于自主移动机器人的在线实时路径规划,并受到广泛关注.目前,人工势场法在处理静态环境、动态匀速环境下的路径规划方面已有许多成果,但是,机器人在全变速环境下进行在线实时路径规划时,会出现路径冗余、避碰不及等现象.为此,将目标关于机器人的相对加速度因素引入引力势场函数中;在斥力势场函数的基础上融合避碰预测、减速避障策略;最终,机器人能够避免大量无谓避障,当与障碍物相对速度较大时能提前避障,且快速跟踪到目标.仿真结果验证了所提方法的有效性.     

基于自适应混沌遗传算法的路径规划

如何保证在未知复杂环境下规划出的机器人路径全局最优或较优一直是这一领域的一个研究难题,将混沌理论和遗传算法相结合,提出了一种新颖的基于自适应混沌遗传算法的机器人路径规划算法。利用信息熵产生初始群体,增加初始群体的多样性,将混沌优化的遍历特性引入遗传算法,以防止和克服进化过程中的“早熟”现象。仿真实验表明,即使在复杂的未知环境下,利用该算法也可以规划出一条全局优化路径,且能安全避碰。     

移动机器人路径规划的仿真研究

研究移动机器人路径优化问题,由于移动机器人寻优中存在定位稳定性和避障准确性问题,机器人路径规划不仅找到一条无碰撞、安全的移动机器人路径,而且要求路径尽可能最短。传统单一栅格法和遗传算法搜索最优路径效率低,难以全局最优路径。为了获得机器人全局最优路径,提出一种栅格法和混沌遗传算法相融合的移动机器人路径规划方法。首先采用栅格法对移动路径进行规划,作为遗传算法的初始种群,采用遗传算法进一步寻找最优路径。最后对移动机器人路径规划进行仿真,结果表明,混合算法可以很好地避免障碍物,快速找到一条机器人最优移动路径,十分适合于复杂环境路径规划。     

基于混沌蚁群算法的机器人路径规划

研究了全局静态复杂环境的机器人导航问题;针对传统蚁群极易陷入局部最优解,引入混沌理论改善个体质量,利用混沌扰动避免在搜索过程中陷入局部极值;构建了一个新的机器人路径规划算法的数学模型,在组织变量的影响下,蚂蚁由最初的混沌行为逐渐过渡为群体智能行为,最终完成机器人全局最优路径的搜索;仿真结果表明,即使在障碍物非常复杂的环境中,该模型也能找出一条全局最优或近似最优的路径,且能安全避障,仿真效果理想。     

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。     

动态不确定环境下移动机器人的在线实时路径规划

提出一种基于极坐标空间的、以机器人期望运动方向角为路径优化指标的动态不确定环境下移动机器人的在线实时路径规划方法。该法通过机器人的传感器系统,实时探测局部环境信息,在每一采样时刻,机器人首先对视野内的动态障碍物的位置进行采样,然后根据所采样的位置信息,利用自回归模型预测出下一采样时刻动态障碍物的位置,再将预测位置上的动态障碍物当作静态障碍物来处理,然后对其规划避碰路径,从而将动态路径规划转化为静态路径规划。仿真和实验结果验证了该方法有效可行,具有实时规划性和良好的避障能力。     

一种移动机器人在三维动态环境下的路径规划方法

提出一种基于遗传算法的三维动态环境下的路径规划方法,通过对机器人的运动行为进行编码,将各种约束条件融入到遗传算法当中,规划出可实际应用的避障路径,仿真研究表明该方法是简单有效的.     

基于V距离势场的实时滚动路径规划

本文针对移动机器人作业环境中存在的大量未知障碍，而其传感器探测范围有限的特点，采用Ｖ距离势场，通过势场的局部增量修改，实现实时滚动路径规划，并通过仿真说明了其 有效性。     

改进遗传算法在移动机器人全局路径规划中的应用

针对应用遗传算法进行移动机器人全局路径规划时遇到的早熟收敛和收敛速度慢等问题,提出一种基于定长二进制路径编码方式的改进遗传算法。研究此编码方式下的改进遗传操作,采用比例阈值自适应((N+K,N)+N)双种群进化策略,有效提高了算法收敛速度和全局寻优能力。仿真实验表明了该算法的有效性。     

动态环境中基于遗传算法的移动机器人路径规划的方法

动态环境中,移动机器人的动态路径规划是一个较难解决的课题．本文提出一种基于遗传算法的移动机器人的路径规划方法．该方法采用实数编码的方法,有明确物理意义的适应度函数,以加快实时的运算速度和提高运算精度．该方法充分挖掘可应用遗传算法解决移动机器人动态路径规划的潜力．通过计算机仿真表明该控制方法具有良好的动态路径规划能力．     

基于改进蚁群算法的水下无人机路径规划研究

为实现水下无人机在水域中自主作业的功能,对其设计一套合理的路径规划方案是非常有必要的。蚁群算法针对水下无人机路径规划方面有着非常好的效果,拥有不错的鲁棒性,但是传统的蚁群算法在解决路径规划问题时很容易出现局部最优解的问题。以传统蚁群遗传算法理论为根据,对其进行添加目标引导素、构建精英蚂蚁体系、更新信息素浓度这三方面的改进,使用栅格法构建水下环境分析模型,并以最短的路径为目的,规划一条从初始状态到目标状态的无碰安全途径,运用仿真的办法展开验证。结果显示：相较于传统算法,改进后的算法在求解速度和全局求解能力上有较大的优势。     

基于人工免疫改进的搬运机器人蚁群路径规划

针对搬运机器人在障碍环境下的路径寻优问题,提出一种基于人工免疫改进的蚁群路径规划算法(AI-ACA)。蚁群算法(ACA)的规划依赖于信息素挥发系数、期望启发因子和信息启发因子等参数的选取,传统ACA通过经验来设定这三个参数,但路径寻优中的最优参数因障碍环境而异,为解决经验参数对不同环境路径寻优结果的影响,引入人工免疫算法(AIA),对ACA的相关参数进行迭代优化,以此改善路径寻优结果。仿真结果及在自制机器人平台上测试表明,AI-ACA对于不同障碍环境可以准确地进行路径规划,在同样环境下较所参考的定参数蚁群路径规划效果有明显提升,提高了整个系统的运输效率。     

基于改进RRT算法的UAV航迹规划与优化研究

分析步长、搜索次数对UAV航迹生成的影响,给出一种改进RRT算法。结合目标信息给出启发因子、优话采样节点选择方法、选取合适的启发概率等方法,解决了扩展树生长过程中随机性较大的问题,提高了全局搜索能力和搜索速度,同时考虑局部搜索精度。针对航迹随机化造成的航迹不够优化的问题,提出一种航迹迭代优化方法。仿真结果表明:该算法和优化方法具有较快的收敛速度和更短的搜索时间;迭代优化方法减少了冗余规划点,缩短了规划航迹,提高了航迹规划效率。     

基于改进RRT-Connect算法的机械臂路径规划

针对RRT^*算法速度较慢问题,提出一种快速收敛至最优路径的最优双向快速扩展随机树(Optimal Bidirectional Rapidly-exploring Random Trees,Obi-RRT)算法。Obi-RRT使用改进的RRT-Connect算法快速得到较低成本路径,通过路径修剪得到关键点,围绕关键点提出三种采样空间并进行采样,通过不断更新关键点从而得到最优或接近最优的路径。平面和机械臂关节空间下的仿真实验表明,Obi-RRT算法运行时间仅为RRT^*算法的十分之一,并且路径成本更低。     

具有遍历特性的移动机器人规划方法的研究

本文提出了遍历规划的概念和数学描述,以及完全遍历规划的设计方法,给出了常用 的几种性能评价函数．在此基础上,设计了基于带有综合性能评价指标的基本遍历运动序列 的完全遍历规划器．