融合改进RRT和Dijkstra算法的机器人动态路径规划

针对传统RRT算法在规划中随机性过大，节点利用率低且得出的路径并非最优等问题，从3个方面进行改进。首先，针对RRT在随机点采样过程中无方向性的问题，设置目标节点采样率，每次采样时目标点有几率成为采样点，使路径可以快速接近目标点；其次，动态设置步长使机器人能根据周围障碍物数量动态调整步长，减少迭代步数；最后，在得到RRT算法规划出的一条可行路径后，向周围扩展可行区域，将可行区域栅格化，通过Dijkstra算法找出可行区域中的最短路线，优化RRT算法得出的路线。最后将所获得的全局路径分段采用动态窗口算法。将RRT-Dijkstra融合算法与RRT算法、Dijkstra算法以及动态窗口算法在路径拐点数量以及路径长度等方面进行对比。实验表明，RRT-Dijkstra融合算法更高效，得到的路径更优。结合动态窗口算法后且能实现动态避障。     

基于改进蚁群算法的农用喷药机器人路径规划

研究农用喷药机器人路径规划问题,提出一种基于改进蚁群算法的路径寻优方法。首先,获取实际工作环境信息,抽象化处理工作环境,采用栅格法建立喷药机器人工作环境模型;其次,为使算法搜索更具目的性,引入目标点诱导机制,设计新的距离启发函数,并在此基础上对状态转移概率进行改进;为避免算法搜索出现停滞和提高路径搜索效率,通过引入信息素阈值限定、信息素局部和全局更新相结合的策略对信息素更新方式进行优化;最后,通过仿真实验测试两种算法解决喷药机器人路径规划问题的实际效果。结果表明:两种算法均能有效解决喷药机器人路径规划问题,且相比传统蚁群算法,改进蚁群算法不仅可以有效改善自身收敛性能,而且可以增强自身全局寻优能力。     

基于状态转移规则改进蚁群算法的机器人路径规划

针对传统蚁群算法在全局路径规划中存在的收敛速度慢、局部最优解、算法优化能力低、种群多样性与收敛速度相互矛盾4种主要问题进行改进，提出了基于动态更新状态转移规则的蚁群算法。通过人工势场法改进启发函数，提高算法的优化能力；利用伪随机状态策略改进状态转移规则，提高了算法的收敛速度；引入动态信息素更新方式，解决局部最优问题，协调种群多样性与收敛速度的矛盾。利用剪枝法对改进后的路径规划算法进行优化。通过分步仿真、对比仿真的方法证明算法改进过程的合理性，提高了蚁群算法在路径规划中的性能。仿真结果表明，改进后算法的路径长度缩短44.08%,运算时间缩短45.13%,在解决4种问题的同时，有效提升了机器人全局路径的平滑性和安全性。     

融合改进RRT和动态窗口法的路径规划算法

针对传统RRT算法在规划中随机性过大,搜索时间过长且不能够实现动态避障等问题,从3个方面进行改进。针对RRT算法搜索树扩展方向过于随机,根据以起始点与目标点为对角线的矩形中的障碍物占比向目标点方向扩展,分别在有障碍物与无障碍物的环境中与传统RRT算法对比,验证改进算法的高效性;对改进算法规划的路径进行关键节点提取,并按照关键节点进行优化;将优化后路径分段使用改进动态窗口法。将融合算法与传统动态窗口法以及RRT算法在路径拐点数量以及路径长度等方面进行比对,结果表明:融合算法具有高效性且在规划的路径中加入临时障碍物时,移动机器人也能很好地避开。     

基于改进蚁群算法的打磨机器人路径规划北大核心

针对打磨机器人在复杂空间中路径规划时存在收敛速度慢、容易陷入局部最优等问题,提出一种基于改进蚁群算法的打磨机器人路径规划方法。建立打磨机器人D-H连杆模型,进行正逆运动学分析以及计算验证;提出一种改进的信息素更新方法,将新的自适应计算方法应用于状态转移规则,并通过引入阻尼系数ξ改进启发式信息函数;在MATLAB中进行模拟仿真实验,得到改进蚁群算法最佳参数组合。结果表明:相对于基本蚁群算法,所提出的改进蚁群算法从起点到终点的最短路径长度平均减少14.3%,迭代次数平均减少55.3%;结合打磨机器人刀具位置等特点,可以获得路径长度最短且平滑的运动曲线。所提方法可有效解决打磨机器人三维路径规划问题。     

基于改进蚁群算法的机器人焊接路径规划

针对基本蚁群算法在机器人焊接路径规划时,在搜索的过程中容易出现搜索时间过长、效率低、容易陷入局部最优等问题,文中针对基本蚁群算法,引入了Adadelta算法,通过基本蚁群算法和Adadelta算法结合,来改变蚂蚁搜索过程中选择下一焊点的概率,增加了随机性. 通过Adadelta算法参数的更新,改善了蚂蚁信息素的更新,并改进了信息素挥发系数ρ,采用自适应的方式来更新信息素. 对改进算法运用MATLAB进行仿真,结果分析得知,文中的改进蚁群算法比基本蚁群算法搜索能力更强,算法效率更高,比基本蚁群算法提前20代左右收敛,有效解决基本蚁群算法的局部最优、收敛速度慢等问题,使搜索结果更优.     

基于ROS与融合算法的AGV路径规划研究北大核心

针对传统A^(*)算法在AGV路径规划中存在搜索范围大、转折多、实时性差等缺点,以A^(*)算法为基础,通过建立栅格地图,改进启发函数,去除多余节点和提高避障安全性。针对AGV在复杂环境下的动态路径规划问题,将改进A^(*)算法与动态窗口算法进行融合,规划出一条具有实时性的最优路径。通过仿真实验,验证了改进算法的有效性与可行性,实现了路径优化。通过机器人操作系统进行实验,结果表明AGV运行时的路径规划合理,满足实际应用需求。     

基于混合参数蚁群算法的移动机器人路径规划北大核心

针对传统蚁群算法因初期信息素分布不均导致算法初期路径选择概率随机性大、搜索速度慢等缺陷,设计一种使用混合参数的蚁群改进算法。在算法开始阶段引入遗传算法,对遗传算法的适应度函数进行改进;设置一个评价点使遗传算法在合适的时机进入蚁群算法,并对算法的信息素挥发因子p采用一种自适应调整方式;对遗传算法的交叉率和变异率以及蚁群算法的信息因子和期望因子采用变异的混合参数,发挥4个参数因子在算法中的优点;在蚁群算法后面设置一个路径进化率的评价点判定是否再次进行遗传变异操作,目的是使蚁群算法跳出局部最优;算法最后引入B样条曲线光滑机制。实验结果表明:改进算法在简单和复杂的环境里找到的路径长度和路径拐点数明显减少,有比其他3种算法更快更准的寻找全局最优能力。     

粒子群-蚁群融合算法的机器人路径规划

为了提升移动机器人在全局静态环境下搜寻到达指定目标点的最优路径的能力,提出一种粒子群算法和蚁群算法改进求解路径规划问题的融合算法。改进算法针对粒子群算法易陷入局部极值,利用蚁群算法获得全局最优路径;设置标识栅格,提升路径安全度;同时引入活跃因子增加粒子速度的多样性,根据粒子群算法最优解调整路径上信息素分布,解决蚁群算法中初始信息素缺乏的问题。融入简化算子,对路径做进一步处理,优化路径长度。仿真结果表明,融合算法具有较强的安全性以及改善了算法寻找最优解的能力。     

基于改进多步长蚁群算法的机器人路径规划

针对移动机器人路径规划时蚁群算法稳定性不足且易陷入局部极值的问题,提出一种改进多步长蚁群算法,改进了基本蚁群算法中只能单步位移且方向固定的移动模式,从而减少路径的转向次数且缩短路径长度。针对移动机器人实际工作时可能遇到的环境坡度大的情形,在启发函数中加入高度因素,提升算法环境适应能力。采用自适应挥发机制,加快算法收敛速度及效率。结果表明：在具有变化高度的环境中,与基本蚁群算法相比,改进多步长蚁群算法规划出的路径更平缓且距离更短,更适合移动机器人工作情景。     

基于改进蚁群算法的移动机器人路径规划

针对动态未知环境下机器人路径规划中存在的不足,提出一种全局规划和局部规划相结合的混合型规划方法。全局规划中,针对基本蚁群算法易陷入局部最优以及易陷入U型或V型障碍物的缺陷,提出采用夭折策略对基本蚁群算法进行改进,并采用改进的蚁群算法离线规划出一条粗略的全局优化路径,将该"粗"路径分解为局部规划各个阶段的子目标。局部规划中,机器人实时探测局部环境信息,应用滚动优化原理,不断修正运动路线,使机器人在每一时刻的滚动窗口内都避开障碍物向子目标点运动,把整体的寻优分解为各个滚动窗口内的局部寻优,克服了全局规划不能追踪动态信息的缺点。仿真结果表明,该方法可行且具有良好的稳定性。     

改进的蚁群算法在智能车辆路径规划中的运用

针对智能车辆路径规划问题,提出一种改进蚁群智能路径规划方法.首先,分析了传统蚁群算法的基本原理及存在的缺陷;其次,通过引入障碍物位置信息、改变启发式因子以及信息素更新方式,提出一种改进蚁群算法;最后,充分考虑智能车辆动力学约束,进一步对规划路径进行平滑和优化处理.采用栅格地图,建立智能车、车道以及动态障碍仿真场景进行车...     

矿井中多机器人搜救系统路径规划

矿难发生后,井下通信设施可能已有一定的损害、无法正常使用,因而无法知道被困人员的确切位置并且井下环境复杂危险,可能对营救人员造成伤害发生二次事故。为了快速地搜索到被困人员,结合井下无线传播环境的特点,提出井下多机器人组网搜救系统,其中包括机器人自由空间环境模型的创建、机器人搜索的局部和全局路径的规划。利用MAKLINK图论理论对井下环境进行建模,并且采用Dijkstra算法规划出避障初始路径,最后依据距离改进蚁群算法节点选择得出优化的最终路径,完成搜索路径的规划。MATLAB仿真结果表明,优化的路径总长度明显优于初始路径并且改进的蚁群算法有着较好的收敛速度,可以满足多机器人搜救系统的要求。     

基于改进D^(*)算法的巡检机器人路径规划北大核心

路径规划技术是巡检机器人的热门研究,针对传统D^(*)算法存在的如拐点多、效率低、路径安全度不高等问题,对传统D^(*)算法进行了改进,优化了子节点的选取方式,将全局地图环境分解为多个局部环境,在选取局部环境中的目标点时,以局部环境关键节点为主,舍弃无用节点和危险节点;又改进了代价估计函数,并引入平滑度函数。最终用MATLAB建立栅格地图进行仿真,结果表明:改进后的算法得到的路径转弯次数有所优化,拐点数目减少了约30%;规划效率得到了提升,规划时间节约了约20%;并且所得路径与障碍物保持了适当距离,提升了机器人运行过程中的安全性。     

复杂动态环境下自主机器人路径规划研究

为了提高复杂动态环境下的机器人路径规划性能,文章提出了全局路径规划和局部路径规划相融合的混合路径规划方法。分析了A*算法原理,提出了加权A*算法,使用权值调节启发信息在评价函数中的作用;改进了人工势场法,解决了传统方法目标不可达和局部极值问题;将加权A*算法的全局路径规划和改进人工势场法的局部路径规划相融合,以全局规划路径的拐点作为局部路径规划的子目标点,提出了混合路径规划方法。经仿真验证,对于固定静态障碍物、临时堆放障碍物、动态障碍物三种情况,混合规划方法都能得到平滑的无碰最优路径。     

基于改进蚁群算法的移动机器人路径规划

针对蚁群算法在移动机器人路径规划中存在的稳定性不足、收敛速度慢、前瞻性差,易过早陷入局部最优等问题,优化改进了传统的蚁群算法.通过改进转移概率来优化转移规则,让蚂蚁可以精准地搜索到下一个最佳栅格位置;采用基于无限步长原理的新启发式信息来扩展视野,提高可见性精度;另外,改进算法还采用了新的信息素更新规则以加快收敛速度,扩...     

基于双蚁群算法的双机器人路径规划方法

针对双机器人协同作业时的路径规划问题,在蚁群算法的基础上提出一种双蚁群路径规划方法。通过轮候选择机制,使2个不同的蚂蚁群能合作完成所有的作业任务。在蚁群迭代过程中,利用同种群蚂蚁之间信息素的正反馈作用,优化蚁群的移动路径;利用不同种群蚁群之间信息素的负反馈作用,降低2个蚁群之间的冲突,找到2台机器人的最优移动路径。仿真结果表明：该算法具有收敛性,能同时实现双机器人的任务分配和路径规划,且路径规划结果优于现有的双机器人路径规划算法。     

一种考虑机器人转向离心力的动态窗口算法

在移动机器人的相关技术中,局部路径规划技术是一项关键技术。对于自主配送机器人在配送某些易碎物品或是对运动较为敏感的物品时,为了保证被运输物品的安全性,在路径规划中还要考虑到机器人车体的离心力大小。动态窗口算法是局部路径规划的一种常用算法,针对经典动态窗口算法不能兼顾到机器人在运动过程中的离心力大小,提出了改进的动态窗口算法。在经典动态窗口算法的目标函数中加入离心力的评价项,防止机器人在转向过程中离心力过大导致车体运行不稳定。实验表明:当目标函数中离心力评价项占比更重时,机器人运行的转向半径更大,多数情况下沿直线运行,且在整个导航过程中离心力的最大值更小。     

基于PSO-ACO融合算法的物流车辆路径优化与控制研究

传统蚁群算法在解决物流配送路径问题时容易出现“早熟”问题,使路径寻找速度和优化结果受到影响。为更合理进行车辆路径调度管理,提出一种粒子群-蚁群相融合的物流配送路径规划算法,该算法充分利用粒子群较强的全局搜索能力和搜索速度快的特点,将得到的次优解转化为蚁群算法中的初始信息素的增量,最后利用蚁群算法的正反馈机制求解问题的精确解。研究结果表明:与单一算法相比,融合算法能快速有效地确定物流配送路径,具有较快的寻优速度和收敛精度,更合理的控制物流配送成本。     

改进A*算法的AGV避障路径规划研究

针对传统A*算法在复杂栅格地图规划的路径不平滑存在多余转折点和多余共线节点，使用传统八叉树搜索策略时，AGV易发生碰撞障碍物现象，在复杂环境中随机出现在全局路径上的障碍物无法实现动态避障等问题，提出一种改进A*算法。由于传统A*算法的搜索效率主要取决于估价函数的设计，因此引入启发式函数的权重系数提高A*算法的搜索效率；设置障碍物安全距离，为判断障碍物区域内当前障碍物是否影响AGV通行提供参考，再次改进原有八叉树搜索策略提升避障性能，然后对得到的无碰撞路径进行路径优化处理，保留关键转折点；最后实现A*和DWA算法融合，进一步优化路径，并实现全局动态路径规划。实验结果表明：融合算法使得路径更加平滑，提高了算法的避障性能，表明了融合算法在机器人路径规划中的可行性。