融合动态障碍物运动信息的路径规划算法

传统的路径规划算法只能在障碍物不发生位置变化的环境中计算最优路径。但是随着机器人在商场、医院、银行等动态环境下的普及,传统的路径规划算法容易与动态障碍物发生碰撞等危险。因此,关于随机动态障碍物条件下的机器人路径规划算法需要得到进一步改善。为了解决在动态环境下的机器人路径规划问题,提出了一种融合机器人与障碍物运动信息的改进动态窗口法来解决机器人在动态环境下的局部路径规划问题,并且与优化A*算法相结合来实现全局最优路径规划。主要内容体现为：在全局路径规划上,采用优化A*算法求解最优路径。在局部路径规划上,以动态障碍物的速度作为先验信息,通过对传统动态窗口法的评价函数进行扩展,实现机器人在动态环境下的自主智能避障。实验证明,该算法可以实现基于全局最优路径的实时动态避障,具体表现为可以在不干涉动态障碍物的条件下减少碰撞风险、做出智能避障且路径更加平滑、长度更短、行驶速度更快。     

部分未知环境中移动机器人动态路径规划方法

针对部分未知环境,提出一种基于粒子滤波的动态路径规划方法.将全局最优路径视为受机器人运动及环境影响的变化量,采用粒子滤波算法,利用机器人运动信息预测路径,并利用实时环境信息更新路径,通过在线跟踪全局最优路径获得不断更新的全局优化路径.将传统全局路径规划先规划后执行的模式改为边规划边执行的模式,既减少了等待时间,又为机器人的移动误差及部分未知环境提供了较强的适应能力.仿真及实验验证,该方法的有效性.     

一种家庭安保机器人运动路径规划的蚁群算法

由于家庭居住环境复杂,家庭安保机器人导航问题难于解决。使用传统蚁群算法,家庭安保机器人容易陷入搜索家庭环境局部极值的困境,无法找出在复杂环境下家庭最优的运动路径。因此,家庭安保机器人设计方案引入混沌理论改良局部个体的质量,利用混沌扰动,能够避免家庭机器人陷入搜索家庭环境局部极值的困境,由最初的混沌行为过渡到群体智能行为,使家庭安保机器人找到最优的运动路径。经仿真实验表明,在复杂的家庭环境下,家庭安保机器人也可以安全避障。     

一种动态未知环境下的机器人路径搜索方法

提出了一种新的路径搜索算法——"触觉感知法"来实现机器人在未知静态与动态环境情况下的路径搜索。该方法不需要提供地图信息,机器人仅收集目标点的距离和方位信息以及通过自带传感器作为触觉器收集周围局部环境信息。机器人以BP神经网络作为决策器,经过训练,可以在静态和动态环境中搜索出一条光滑无碰撞且便捷并能有效避开动态障碍物的运动轨迹。对所提出的方法进行了仿真实验,仿真结果表明算法在静态和动态环境下均能有高效率的路径搜索表现。     

自反馈生物激励神经网络机器人路径规划

针对传统神经网络机器人路径规划中存在需要学习,对运动目标追踪速度较慢的问题,提出了一种带自反馈的生物激励神经网络机器人路径规划方法。该机器人路径规划算法的路径生成过程是由神经网络组成的动态变化的神经元活性值状态路线图来实现的。通过神经元活性值的传播,机器人被目标点全局吸引,同时障碍物使自己处在活性值最低点,起到推开机器人以避免碰撞的目的,为了增强算法对运动目标的追踪能力引入了新的权值函数求取方法。仿真结果表明该方法生成的路径是连续的、平滑的,比原方法产生的路径更优,并且算法能对快速变化的动态环境作出迅速反应。     

足球机器人路径规划仿真研究

研究了足球机器人路径优化选择问题,机器人运动与规划路径有误差,使实时性和准确性受到影响.针对传统的机器人路径规划算法过于复杂,同时没有充分考虑到足球机器人在比赛中实时性和对抗性等问题,导致实时性差以及射门准确率低.提出一种结合路径预测的路径最优算法,充分利用预测结果减少每周期的路径规划时间,并采用动态基准圆预测的射门策略,并对守门策略进行改进.进行仿真的结果表明,所提出算法在足球机器人比赛中具有可行性,射门准确率得到提高,击球时机器人达到较快速度,使得敌方更难防守,守门员在防守时充分地体现了智能性,证明算法优化了机器人路径,提高了实时性和准确性,为设计提供了依据.     

基于神经网络的未知环境路径规划算法研究

文章提出了一种新的神经网络算法——“距离定位法”来实现机器人在未知环境情况下的路径规划。地图采用神经元阵列表示,机器人通过自带传感器收集周围局部环境信息以及与目标点的距离信息,经过对局部神经网络的实时训练,可以快速地产生一条光滑无碰撞且简捷有效的运动轨迹。算法在静态和动态环境下均能有高效率的路径搜索表现。模拟仿真结果也证明了算法的有效性。     

未知环境机器人路径规划环境建模

针对未知环境下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环境信息情况下的动态路径规划方法及规避策略。通常情况，一般机器人主要是设计出最短路径，但本文的机器人的路径要求解决避开障碍物快速到达幸存者位置并给予治疗的优化路径。本文首先提出对栅格法中如何确定栅格大小的方式优化方案；换取滚动窗口算法中的启发式算法，应用改进后的粒子群算法实现局部环境的路径规划；在适应度函数中加入安全因子和平滑因子。机器人在搜索环境中，通过正确的适应度函数，规划一条从起点到目标点的最优路径，采用改进后粒子群算法进行路径规划，机器人可以安全避开所有障碍物。     

动态混沌蚁群系统及其在机器人路径规划中的应用

针对蚁群系统（ACS）解决机器人路径规划问题时种群多样性与收敛速度的不足,对蚁群系统引入动态混沌算子,从而平衡种群多样性和收敛速度之间的关系。动态混沌蚁群系统的核心是在传统蚁群系统引入Logistic混沌算子来增加种群多样性,从而提高解的质量。在迭代前期加入混沌算子,以调整路径中的全局信息素值,增加算法的种群多样性,从而避免算法陷入局域优化解;在后期则转为蚁群系统,来确保动态混沌蚁群系统的收敛速度。仿真结果表明,对于机器人路径规划问题,与蚁群系统相比,动态混沌蚁群系统具有更好的种群多样性、更高的解的质量和更快的收敛速度;与精英蚁群系统（EAS）和基于排序的蚂蚁系统（ASrank）相比,动态混沌蚁群系统能够平衡解的质量与收敛速度之间的关系,即使在复杂障碍物的环境下,动态混沌蚁群系统也能较好地找到最优解。动态混沌蚁群系统能够提升移动机器人路径规划中的效率。     

改进蚁群算法在迷宫路径寻优中的应用研究

针对机器人在障碍环境下寻找最优路径的问题,提出了一种动态环境下的机器人路径规划的仿生算法.该算法采用栅格法对场地建模,并模拟蚂蚁的觅食行为,由多只蚂蚁协作完成最优路径的搜索.搜索过程采用了概率搜索策略和自适应调整信息素的方法,使得搜索策略更有效.仿真实验结果表明,在场地复杂的情况下,该算法可以有效地规划出最优路径.     

基于神经网络和遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法.用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数.通过仿真实验表明该方法具有较高的实时性和有效性.     

基于神经网络租遗传算法的足球机器人路径规划

针对足球机器人在动态环境下的安全路径规划,提出一种将神经网络和遗传算法相结合的路径规划方法。用hopfield神经网络描述存在障碍物的动态环境,然后用遗传算法对代表路径的控制点进行寻优,并把路径安全性和最短路径要求融合为一个适应度函数。通过仿真实验表明该方法具有较高的实时性和有效性。     

融合改进A*与DWA算法的移动机器人路径规划

针对移动机器人在复杂环境下实现全局路径最优、未知环境下动态实时避障这一路径规划需求,对传统A*（A-star）算法进行改进,并融合动态窗口法（DWA）实现动态实时避障。首先分析栅格环境下的障碍物占比,将障碍物占比引入传统A*算法,优化启发函数h(n),从而改进评价函数f(n),提高其在不同环境下的搜索效率;其次针对复杂栅格环境下传统A*算法优化后的轨迹与障碍物顶点相交问题,优化子节点选择方式,同时删除路径中的冗余节点,提高路径的平滑度;最后融合动态窗口法,实现复杂环境下移动机器人的动态实时避障。通过MATLAB下的对比仿真实验表明,改进算法在轨迹长度、轨迹平滑度以及历经时间上得到优化,满足全局最优且能实现动态实时避障,具有更优秀的路径规划效果。     

基于BIM的建筑机器人自主导航策略优化研究

针对建筑机器人在复杂环境下自主导航过程中的安全性、通过性等问题,提出了一种应用BIM(building information model)信息与激光雷达获取的现实环境信息进行导航并保证路径最优的方法。根据BIM信息优化A*算法,考虑建筑机器人的通过性与安全性并删除了路径中的冗余节点,在节点间根据雷达信息优化动态窗口法,有效保证了路径最优,提升了安全性、缩短了运行时间并减少了转折角度。加入超宽频定位模块,能够很好地消除机器人移动产生的累计误差。实验结果表明,改进后A*算法的搜索时间比改进前减少了92%,路径转折角度减少50%,路径长度比原始动态窗口法减少13.5%,所需时间仅比无障碍物时增加3.7%。     

融合环境信息和运动约束的改进A*算法研究

标准A*算法存在着无法考虑移动机器人运动特性及处理后的路径不利于移动机器人运动等问题。针对这一问题提出了一种新改进A*算法,通过环境信息引入障碍物权重系数来改进算法的启发函数并进行全局路径规划;优化搜索节点的选取方式和设定障碍物与路径之间的安全距离;基于对移动机器人的运动特性的考虑优化其路径,并在不同环境地图中与其他算法进行仿真实验对比分析。相关实验表明：基于新改进A*算法规划的路径始终与障碍物保持一定的安全距离;改进A*算法在时间上相比标准A*算法平均减少了80%,路径长度平均减少了2%,路径转角平均降低了82%。改进后算法相比其他算法在时间、搜索节点以及平滑度上有很大的改进,融合机器人环境信息和运动特性的规划路径算法可为移动机器人的路径规划提供一种新的方法。     

面向未知环境及动态障碍的人工势场路径规划算法

实际战场环境错综复杂,很多隐蔽、动态的障碍无法通过高空手段预先探测得知,因而对智能体执行任务的安全性产生威胁.针对未知且障碍形态多样的战场环境,以躲避动、静障碍,追踪目标为研究对象,提出一种面向未知环境及动态障碍的改进人工势场(Artificial Potential Field,APF)路径规划算法.在该算法中,智能...     

能力风暴机器人的全局路径规划

基于Messy遗传算法(Messy GA),设计了移动机器人的通用路径规划算法,其中的优化目标包括最短路径、一定的平滑度和最优安全距离.在算法中加入了优化算子及交叉率和变异率的自适应调整,加快了收敛速度.仿真结果验证了所提方法的有效性.根据能力风暴机器人(AS-R)的实际运行要求,修改算法以扩大路径与障碍物之间的间隔度,并提出采用平滑的方法来优化路径.以AS-R为平台进行了轨迹跟踪实验.实验结果表明算法在随机摆放障碍物和实验室环境下可以实现路径规划,并能够最终实现AS-R机器人的全局路径规划.     

基于三次B样条曲线的叉车型AGV路径规划研究

针对工厂环境下叉车型AGV在沿给定参考路径运行时,因避障等问题产生的大幅度偏离参考路径的现象,将三次B样条曲线用于路径规划。规划路径在满足AGV运动学约束、最大曲率约束、起点和终点位姿等约束的条件下,使AGV以最短距离回到原参考路径。算法将路径规划问题转化为参数优化问题,将规划路径距离作为目标函数优化求解参数。算法最后使用Matlab针对直线和圆弧参考路径进行了仿真验证,结果表明本文算法能够在大偏差情况下,规划出一条最短路径,使AGV回到参考路径。     

基于改进A*算法机器人路径规划研究

针对移动机器人全局路径规划问题提出一种改进A*算法。首先建立栅格地图,基于传统A*算法,进行邻域扩展,将传统8邻域扩展到24邻域,使路径方向具有更多选择,减少不必要的转折点。优化改进A*算法的启发式函数,不再采用单一的曼哈顿距离或者欧几里得距离,将其进行融合改进,剔除路径中冗余节点和多余转折点。最后将全局路径与动态窗口法相结合,结合各自的优点,充分考虑到机器人全局最优路径的同时能安全避开障碍物,得到一条平滑轨迹。各个算法进行验证之后采用ROS平台对系统进行仿真分析,实验结果表明,改进后算法具有更优秀的路径规划能力。     

双层优化A*算法与动态窗口法的动态路径规划

为满足动态环境中移动机器人既要动态避障抵到终点,又要尽可能地做到全局最优的路径规划需求,提出了一种双层优化A*算法与动态窗口法相结合的移动机器人路径规划算法。在传统A*算法求得的全局路径轨迹基础上,首先通过一层全局优化,计算路径节点间斜率,提取关键转折点,大幅度减少路径转折点数量;再通过二层全局优化,延长路径段求得路径交点,判断交点是否通过障碍物的方法,将路径转折点数降到最低;设计动态窗口法的轨迹评价函数,解决了机器人容易陷入“凹”“C”形障碍物的问题,同时保证了障碍物安全距离并选取全局最优的路径轨迹。最后分别在静态与动态的二维栅格地图中对传统A*算法、一层优化A*、二层优化A*以及融合算法进行仿真实验。实验结果表明一层优化A*算法大幅度降低了转折次数;二层优化A*算法将转折点数降到最低,但是路径长度小幅度增加;融合算法实现了机器人实时动态避障抵到终点,而且在保证安全距离的同时更加贴近全局最优规划。