基于时空A*算法的多AGV无冲突路径规划

物流中心作为快递转运的重要枢纽,其分拣效率在一定程度上影响着快递的配送时间.多台自动导引车(automatic guided vehicle,AGV)协同分拣能够大幅提高作业效率.本文研究了多AGV协同作业场景中的无冲突路径规划问题,在栅格地图建模环境的基础上,提出了基于冲突搜索的两层路径规划架构.冲突搜索与约束添加均...     

基于改进A*算法的分拣搬运机器人路径规划

为了解决分拣搬运机器人在路径规划过程中,遇到目标点众多的情况时存在路径寻优效率低、容易出错等问题。针对A*算法存在多个最小值时,无法实现路径最优化的问题进行研究,提出一种将蚁群算法与A*算法相结合的改进A*算法。首先使用A*算法筛选出一条最优化的路线来分布信息素,从而简化A*算法在路径规划上的运算。其次以筛选出的路线为基础,针对不同情况结合蚁群算法设计了三种通用方案,以此为基础进行具体的路径规划,从而解决A*算法本身存在的容易带入大量重复数据的问题。通过仿真与实际实验验证了本文提出的改进的A*算法能够满足自动分拣搬运的需求,值得推广与使用。     

基于A*算法的三维地图最优路径规划

研究了基于A*算法的适合人步行行走的山地环境下三维地图最优路径规划算法及实现.本文考虑了三维山地无路网信息覆盖的条件较差环境,对A*算法进行改进,并利用三维地形DEM数据计算出一条相对平缓且长度较短的三维路径.改进算法对三维条件下路径最短的评价标准由原有的空间距离累加最短改进为先将空间等效成水平距离,再计算距离是否最短.同时,本文充分考虑了搜索点周围环境的整体坡度信息作为启发信息,来降低算法寻找的路径走在陡坡上的概率.实验表明,本算法最终计算出的三维最优路径在平缓度及路径最短上有所改善,基本符合人步行行走的习惯.     

基于物流机器人的路径规划研究

本文描绘了物流机器人的路径规划问题。针对标准A*算法的路径规划时间长、计算节点多的问题,提出了在标准A*算法的基础山,使用改进的双向搜索的A*算法。通过使用MATLAB进行仿真和实验平台进行实验对标准A*算法和优化后的A*算法进行了对比,结果表明:改进的A*算法比标准的A*算法进行路径规划的时间更短,并且使用的节点更少。     

基于蚁群算法的机器人路径规划问题研究

该文将蚁群算法运用到机器人全局路径规划上,主要针对蚂蚁算法在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了改进策略,同时基于对机器人所处环境的表示方法及算法中对应问题的描述和定义的研究,对相关参数进行了改进探讨。通过对算法的改进,增强了机器人的蚁群算法在复杂环境路径规划下的适应能力。     

基于改进蚁群算法的机器人路径规划方法

根据传统蚁群算法在机器人的路线规划中具有收敛速度慢、容易陷入局部最优解的缺陷,提供了一个经过改进的蚁群算法。使用栅格法建立路径矩阵,建立一种转角启发函数,增加选择指定路径的概率,提高算法的搜索速度;将A^*算法与改进蚁群算法结合,提出一种改进的距离启发函数,避免了陷入局部最优解;并提出一种可根据迭代次数而改变的信息素挥发因子,增强了全域搜寻能力。根据相关数据分析,与Ant Colony Algorithm with Multiple Inspired Factor(ACAM)算法相比,改进的蚁群算法对于解决算法收敛速度慢、防止进入局部最优解等方面效果更好。     

一种基于改进Theta *的机器人路径规划算法

对Theta *算法进行改进,并用于解决机器人路径规划问题.首先,将障碍物对机器人产生的斥力作为一种惩罚函数加入到启发函数中,并合理地选择惩罚函数权重以确定启发函数.在此基础上,改进A *算法的变种——Theta *算法,提出对路径进行平滑处理的PS_Theta *算法.最后在二维仿真环境中进行验证及数据统计,并推广至三维复杂环境中,实验结果证明了算法的合理性与有效性     

三维环境中机器人路径规划算法改进

为解决快速扩展随机树算法(rapid-exploration random tree, RRT~*)在三维环境中盲目搜索路径以及缺乏节点扩展记忆性等问题,提出一种融合蚁群算法的双向搜索算法ACO-RRT~*。为适应精细化三维建模环境和解决地面起伏不平坦等问题,对RRT~*算法进行改进优化。采用双向搜索策略,在起点和终点同时运行改进后的RRT~*算法和蚁群算法,相向而行,对路径长度和运行时间进行优化。针对生成路径不够平滑等问题,引入B样条曲线平滑策略优化路径。仿真结果表明,所提算法能够有效用于机器人三维路径规划。     

基于改进蚁群算法的机器人路径规划问题研究

针对蚁群算法收敛速度慢,容易陷入局部最优的问题,结合A*算法和蚁群算法提出了一种解决机器人路径规划问题的改进蚁群算法。自适应调整启发函数,在路径的后程借鉴启发式A*算法的估价函数,在ACS算法的启发函数中引入方向信息,提高算法的搜索效率,同时动态调整权重系数改变目标点的方向信息在蚂蚁移动过程中的影响,以平衡ACS算法解的多样性和收敛速度慢之间的关系。仿真实验表明,该算法不但可以提高收敛速度,而且在改善解的质量方面也取得了较好的效果。     

基于三维时空地图和运动分解的多机器人路径规划算法

针对当前多机器人路径规划策略中存在的路径耦合性高、总路径长、避碰等待时间长等缺点，以及由此导致的系统鲁棒性低、机器人利用率低等问题，提出了基于三维时空地图和运动分解的多机器人路径规划算法。首先，根据已有路径集和当前机器人的位置生成时间维度上的动态临时障碍物，将其与静态障碍物一并拓展为三维搜索空间；其次，在三维搜索空间内，将路径运动总时间拆分为运动时间、转向时间和原地停留时间这三个参数，并使用条件深度优先搜索策略计算出从起始节点到达目标节点的所有符合参数要求的路径集合；最后，遍历路径集合中的所有路径，对于每条路径，计算其实际总耗时。如果某一路径的实际总耗时和理论总耗时之间的差距小于规定的最大误差，则可认为该路径为最短路径，否则，继续遍历剩下的其余路径；而如果路径集合中所有路径的实际总耗时和理论总耗时之差全都大于最大误差，则需要动态调整参数，然后继续执行算法的初始步骤。实验结果表明，所提算法规划的路径具有总长短、运行时间少、系统无碰撞、鲁棒性高等优点，解决了多机器人系统完成持续随机任务的问题。     

基于WGAN-GP的搜索式路径规划算法

为了提升搜索式路径规划算法在C字型障碍中的探索效率,提出了一种基于对抗生成网络的A*算法。首先使用训练更为稳定的梯度惩罚Wasserstein对抗生成网络（WGAN-GP）生成存在可行路径的感兴趣区域;然后使用A*算法优先探索该区域,使得路径规划能够被有效引导;最终形成一条连续的路径。经过实验仿真验证,其相较于传统A*算法节约了31%的规划时间、减少了22.84%的探索空间,提升了路径规划算法的效率。实验结果表明,改进的A*算法具有较高的探索效率,能够更好地应用于机器人路径规划中。     

基于改进蚁群算法的铁路路网最优路径规划

多条件最优路径规划问题是铁路出行查询系统的重要功能之一。将路径规划问题转化为以用户多种条件组合为目标函数的最优化问题,并将改进的蚁群算法应用于该问题,使查询系统能够满足各类用户的查询要求,并给出最优解或次优解。仿真实验表明：该算法的实时性很高,是一种行之有效的方法。     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

基于节点优化的改进全局路径规划A*算法

目前越来越多的领域使用移动机器人代替人工工作。路径规划就是移动机器人正常工作的保障之一,A*算法就是一种路径规划算法。针对A*算法生成路径拐点多、路径较长的问题,提出了一种基于将搜索邻域扩大至5×5的随机数去除节点的改进A*算法。首先,将3×3的搜索邻域扩大至5×5,从而减少拐点个数,改善转折角度,去除冗余点;其次,引入一种随机数去除冗余节点的方法,该方法是通过随机连接节点判定其是否穿过障碍物来去除冗余节点,从而进一步去除A*算法路径列表的冗余点;最后,将改进的算法与A*算法在30×30的栅格地图中进行仿真比较,实验结果表明,改进的算法在多组路径中都有很好的优化效果,路径长度、运行时长和访问节点数分别平均减少了4.46%、24.83%和39.93%,从而有效改善A*算法生成拐点多、路径较长的问题。     

DEM中基于遗传与蚁群的混合路径规划算法

现有启发式算法在DEM路径规划中因数据量巨大,效率较低。针对该问题,提出一种基于遗传和蚁群的混合路径规划算法。该算法在遗传过程中,通过在初始群体生成阶段构建选择因子,使得在节点搜索时更加倾向于终点方向,提高初始群体生成效率;对变异过程中变异节点的变异区间进行限制,避免产生路径断点;在蚁群寻优过程中,根据遗传过程产生的路径信息,采用自适应信息素初始化与更新策略,提高算法搜索效率。测试结果表明,混合算法能够在规则网格DEM数据下搜索出符合条件的路径,并具有较好的效率。     

基于蚁群算法及博弈论的多Agent路径规划算法

针对多Agent路径规划问题,提出了一个两阶段的路径规划算法。首先,利用改进的蚁群算法来为每个Agent规划出一条从起始点到目标点,不与环境中静态障碍物碰撞的最优路径。在蚁群算法的改进中引入反向学习方法来对蚂蚁位置进行初始化分布,提高了算法的全局搜索能力;利用粒子群算法中的自适应惯性权重因子来调节信息素强度Q值,使其自适应地变化,避免陷入局部最优;对信息素挥发因子ρ进行调节,提高算法的迭代速度。其次,若多Agent之间存在动态碰撞,利用博弈论构建多Agent之间的动态避障模型,并利用虚拟行动法来解决博弈的求解问题及多Nash均衡的选择问题,确保每个Agent能够快速学习到最优Nash均衡。仿真实验结果表明改进蚁群算法与传统蚁群算法相比在搜索精度与搜索速度上有明显的提高,与Mylvaganam的多Agent动态避障算法相比,所提算法减小了路径总长度并提高了收敛速度。     

基于方向指引的蚁群算法机器人路径规划

针对蚁群算法收敛速度慢、折点多、路径长等问题,提出了一种基于方向指引的蚁群算法。该算法通过引入向量夹角,重新构造了蚂蚁转移概率,提高了算法的收敛速度且路径长度更短;算法同时融合了插点策略,进一步对生成的路径进行优化,缩短了路径长度,减少路径折点数,使路径更加平滑。最后,经实验验证,提出的算法在收敛次数和路径折点数方面有明显优化效果。在仿真栅格地图中,平均收敛次数减少了68%,路径平均折点数减少了42%,平均路径长度减少了8%。     

改进萤火虫算法求解多机器人路径规划

为解决多机器人在静态环境中的路径规划问题,以路径长度为优化目标模型,并针对此模型设计了多机器人萤火虫算法(MR-FA)。首先,考虑到路径安全性对环境中的障碍物采取扩张操作,设计初始化规则以提高生成初始种群的效率;其次,根据算法的连续性原理及特点,设计个体等长策略将维度不一致的个体转变为等维度个体以便于萤火虫的移动更新,并对移动更新后的不可行解采取路径修正策略;然后对规划出的每个机器人的移动路径进行碰撞检测,同时针对机器人不同的碰撞情况设计相应的避碰策略,即暂停—回退策略(PFS)、局部路径重规划策略(LPRS);最后,为验证MR-FA的有效性,在三组环境中进行仿真实验并与其他三种算法进行对比,综合得出MR-FA在解决多机器人路径规划时更有优势。