栅格地图中多机器人协作搜索目标

目标搜索是多机器人领域的一个挑战.本文针对栅格地图中多机器人目标搜索算法进行研究.首先,利用Dempster-Shafer证据理论将声纳传感器获取的环境信息进行融合,构建搜索环境的栅格地图.然后,基于栅格地图建立生物启发神经网络用于表示动态的环境.在生物启发神经网络中,目标通过神经元的活性值全局的吸引机器人.同时,障碍物通过神经元活性值局部的排斥机器人,避免与其相撞.最后,机器人根据梯度递减原则自动的规划出搜索路径.仿真和实验结果显示本文提及的算法能够实现栅格地图中静态目标和动态目标的搜索.与其他搜索算法比较,本文所提及的目标搜索算法有更高的效率和适用性.     

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。     

煤炭勘探及救援机器人最优路径规划研究

为了解决三维环境中的煤炭勘探及救援机器人路径规划问题,提出了一种基于改进蚁群算法的煤炭勘探及救援机器人最优路径规划方法。利用栅格法创建了三维空间环境模型,建立了煤炭勘探及救援机器人的路径规划目标函数;通过引入新的启发函数因子、节点随机选择机制、局部更新和全局更新相结合的策略分别对算法的节点转移概率设计、节点选择策略和信息素更新策略进行了优化改进。Matlab仿真结果表明,在三维空间环境模型中,传统蚁群算法和改进蚁群算法均能为煤炭勘探及救援机器人搜索出一条最优路径;在不同任务要求下,改进蚁群算法能有效缩短搜索路径长度和降低路径搜索时间,且具有较强的决策能力和较好的收敛性能。     

移动机器人路径规划问题的解决方案

针对机器人在未知环境中对障碍物的发现与学习以及对路径的规划问题,提出一个新的解决方案,即增加机器人对环境信息的提取并建立地图模型的过程,采用判断当前位置与目标位置的连接线段与所建立的地图模型中障碍物冲突关系的方法,将机器人的行为分为两类：沿障碍物边界行走或向目标点位置移动。同时提出一种新的机器人面对障碍物时对运动方向的计算、选择方法与一种简化学习障碍物信息并建立地图模型的方法。     

栅格地图环境下机器人速度势实时路径规划

针对智能制造工程环境中移动机器人的自动避障问题,提出一种基于栅格地图的移动机器人速度势实时避障路径规划方法。利用栅格法二值化移动机器人的工作场景,从机器人中心出发向不同方向进行栅格搜索。基于障碍物对移动机器人有排斥作用以及目标点对机器人有吸引作用的思想,通过栅格数的累加计算机器人到障碍物之间的实时距离,并以此为参数,考虑障碍物的形状、最小安全距离等因素的影响来建立负的速度增量函数;以机器人当前位置与目标点的实时距离和角度为参数建立正向速度增量函数。进而在机器人运动学模型基础上,定义速度势函数来对移动机器人进行实时速度驱动。通过设置最小速度增量,避免在零势点处的局部极小点问题;通过设立距离阈值,避免在目标点附近速度增量趋于无穷的问题。通过仿真对所提出的算法进行验证。     

移动机器人运动路径的搜索策略

针对移动机器人运动路径全局最优问题,采用基于模型的搜索策略实现了最短路径的快速搜索。具体方法是利用Hough变换提取立体障碍物的边缘信息,映射到二维平面上,建立移动机器人运行环境的栅格地图;采用目标距离信息对自由栅格赋值来简化栅格地图状态空间的建立和搜索策略的制定;采用路径链表在栅格地图的状态空间中执行相对最短路径搜索。路径搜索策略不需要执行复杂的运算,并且在完备性、时间复杂性、空间复杂性和最优化方面都达到了满意的效果。     

面向救援任务的地面移动机器人路径规划

由于救援机器人处于复杂环境中,面向紧急救援任务的实时性要求较高,因此,救援机器人的路径规划技术在整个救援过程中发挥着十分重要的作用．针对复杂环境条件,用多边形表示障碍物,设计了一种基于障碍物编码的遗传算法,进行路径规划．与以往的基于顶点编码的方法相比,该方法对障碍物复杂不规则的情况适应性更强,同时也缩减了解搜索空间,提高了算法的效率,增强了路径规划的实时性．通过异构多机器人联合救援模拟实验验证和分析,表明所提出的方法能够使机器人避让复杂环境中不同类型的障碍物,实现高效实时的路径规划,可操作性强,可以推广应用于实际救援系统中．     

一种改进的机器人路径规划蚁群算法

描述了一种静态环境下机器人路径规划的改进蚁群算法．该算法使用栅格法对机器人的工作空间进行建模．通过模拟蚂蚁的觅食行为,使蚂蚁在起始点和目标点之间采用折返的方式完成最优路径的搜索,增强了蚂蚁搜索的多样性;搜索过程采用“惯性原则”和最大信息素搜索策略,使蚂蚁对最优路径更为敏感;同时,根据信息素在栅格模型中散播的特点,提出一种新的信息素更新策略和散播方式,加快解的收敛速度．仿真结果验证了该算法的有效性,即使在障碍物复杂的地理环境,用本算法也能迅速规划出最优路径．     

人工蜂群算法在移动机器人路径规划中的应用

研究机器人路径规划优化问题,机器人工作环境复杂,运动路径上存在许多障碍物.针对提高机器人安全导航性能问题,传统群智能算法存在早熟、搜索效率低等难题,难以获得全局最优路径.为了获得最优机器人运动路径,避免碰撞的发生,提出了一种人工蜂群算法的机器人路径规划方法.首先采用栅格法对机器人工作环境进行建模,然后机器人路径规划目标点作为蜜源,最后蜂群之间信息交换、协作搜索最优机器人运动路径.结果表明,人工蜂群算法解决了传统群智能算法存在的难题,加快了机器人路径规划求解速度,以较短时间找到最短机器人运动路径.     

基于生物启发神经网络和DMPC的多机器人协同搜索算法

针对多机器人在未知区域的覆盖搜索问题,提出一种基于生物启发神经网络和分布式模型预测控制(DMPC)的多机器人协同搜索算法.利用栅格地图表示未知区域,基于栅格地图建立生物启发神经网络来表示动态搜索环境,生物启发神经网络中未搜索栅格的神经元活性值大于已搜索栅格和障碍物栅格.在此基础上,为了平衡机器人覆盖搜索过程中的短期收益和长期收益,避免后期陷入局部最优,引入DMPC作为决策方法.选择预测周期内机器人所覆盖栅格的神经元活性值增量作为主要激励函数,引导机器人向未覆盖区域搜索,并采用差分进化算法(DE)进行优化求解,得到最优解.最后通过设计仿真实验验证了所提出方法的有效性和优越性.