基于语义分割网络的 AGV 路径规划算法

针对基于栅格地图的路径规划技术在面对大地图、高分辨率地图的情况下,存在的规划速度慢、内存占用高的问题,提出一种基于语义网络的网络搜索算法。首先使用语义分割网络对栅格地图进行预采样,其次通过图像学膨胀拓宽最优路径形成最优路径范围,增强算法鲁棒性,最后利用语义网络的特征图指导搜索算法规划,加快了高分辨率栅格地图的路径规划的速度。实验仿真表明,网络搜索算法较传统搜索算法,时间平均缩短72.5%,遍历点数平均减少51.6%,路径长度平均延长0.73%,网络搜索算法可以有效加快路径搜索速度,减少内存占用。     

浅谈AGV的路径规划

现代智能化仓库大多采用AGV调度方法,实现对大量包裹进行快速分拣,智能化日益成为AGV调度的方向.故文章综述了 AGV调度的多种地图模型,阐述了仓库机器人的路径规划问题,最后针对目前的AGV调度情况对其做出了总结与展望.     

基于自适应蚁群算法的AGV路径规划优化

针对传统蚁群算法在AGV路径规划中存在拐点数目较多,运行能耗较高等问题,提出一种改进的自适应蚁群算法。首先采用自适应参数调整方法,在迭代过程中不断调整信息素浓度和启发式信息的相对重要性,以增强蚂蚁搜索的目的性;其次引入多目标路径性能评价指标,在路径长度的单一指标基础上引入路径风险指标和拐点数目,以实现AGV路径规划的全局综合优化;然后提出一种奖惩机制更新信息素增量,针对不同程度评价指标的路径提供不同的信息素更新规则,避免算法陷入早熟;最后引入准均匀三次B样条平滑策略,进一步优化最优解。在20×20和30×30不同复杂程度的环境下进行仿真实验,本文改进算法相比传统蚁群算法在转弯次数上减少了113%～382%,在收敛速度上提升了798%～879%,验证了本文改进算法的有效性、可行性和优越性。     

基于融合A*算法的无人机路径规划研究

针对三维环境下A*算法搜索路径不平滑,不具有动态避障的问题,本文提出了一种融合A*算法。该算法在A*算法的基础上,首先引入了俯仰角和偏航角作为搜索约束,其次采用变权值的评估函数和无人机航程、飞行高度、威胁代价,最后将平滑后的A*算法与人工势场法相结合,并利用粒子群算法对A*算法和人工势场法涉及的参数进行寻优。仿真结果显示,融合算法较传统A*算法而言,节省5.34%的燃油损耗,提高了搜索效率,缩短了路径长度,规划出的路径更加平滑,而且能够实现实时动态避障。     

基于运动预测与改进APF的无人机路径规划方法

动态路径规划是保障无人机在复杂干扰环境下飞行安全的关键要素。针对动态路径规划中存在的迭代次数高、收敛速度慢以及动态障碍物避障问题,提出了一种基于障碍物运动预测与改进APF的无人机动态路径规划方法。首先,针对动态障碍物,设计了基于激光雷达的目标检测算法和基于卡尔曼滤波的运动预测算法估计动态障碍物信息,并提出速度方向相似性检测方法进行局部位置脱离决策。其次,针对静态障碍物,引入模拟退火法扰动当前状态,并结合基于目标点的邻域优化函数进行动态路径规划。仿真结果表明,本文算法在应对静态障碍物时可缩短69%动态避障时间,应对动态障碍物时可缩短了19.7%的避障距离与23.6%的任务耗时,提高了无人机任务执行的安全性和效率。     

基于蚁群算法的AGV车辆End＿To＿End最优路径规划研究

自动引导车(AGV)在智能制造行业里扮演着非常重要的作用,是现代化智能仓储物流体系中关键的一环。在整个仓储自动导引系统中,AGV车辆作为物料运输与装配的重要执行单元,面对传统路径规划算法的不稳定以及路径非最优性等缺陷,在AGV车辆运动学模型的基础上,采用初始路径规划算法Dijkstra规划一条初始路径,对误差进行反馈修正,而后利用蚁群算法来规划出最优路径,最后在MATLAB/Simulink仿真平台搭建该算法模型,通过仿真结果验证了该算法具有优良的最优路径信息解耦性能。     

基于动态阈值的AGV路径识别算法

针对基于视觉引导自动引导车(AGV)系统的引导路径识别技术,易受光照强度,路面反光,阴影等因素的影响的问题.采用了一种基于路径预判的图像动态阈值获取方法.它通过已识别的路径点,利用线性插值所得函数预估当前路径点所在图像区域,在此区域内找出最优阈值,依据阈值对当前区域内图像进行二值化,找出当前区域的引导线,依据引导线本身特征来判断此阈值是否有效,以获取到适应当前环境下的阈值,并根据此阈值提取出引导线.通过此种方法对路径信息进行采集、识别、处理,从而使AGV能在跑道上较快较稳的前行.     

基于改进粒子群算法的移动机器人路径规划

由于惯性权重取值不合适和迭代后期粒子群体多样性下降,导致传统粒子算法在移动机器人路径规划研究过程中存在局部最优解问题。针对此问题提出了一种改进粒子群算法的移动机器人路径规划方法。首先建立机器人路径规划的栅格地图模型,在此基础上对传统的粒子群算法进行了改进。随后,引入了基于相似度概念的非线性动态惯性权值调整方法,从而使得粒子的更新速率能够适配寻优过程的各个阶段,并且通过引入免疫算法中的免疫信息调节机制,增加了粒子的多样性,增强了其摆脱局部最优值的能力。仿真结果表明,所提出的改进粒子群算法具有更高的最佳路径搜索能力,其综合性能显著优于传统的粒子群算法。     

基于区域搜索粒子群算法的机器人路径规划

针对粒子群算法应用于移动机器人路径规划时存在的易早熟、易陷入局部最优等问题,提出一种基于区域搜索的自适应粒子群(region search-adaptive particle swarm optimization algorithm, RS-APSO)路径规划方法。首先,通过区域搜索算法对原始地图进行预处理,减少地图中的无效信息。其次,提出两种可变算子对惯性权重因子进行调节,对加速因子进行自适应改进,增强算法不同时期的搜索能力,利用新的加速因子使粒子快速摆脱较差区域。最后通过动态避障策略,使机器人可以安全规避移动障碍物。仿真结果表明,RS-APSO算法相较于PSO算法,平均运行时间降低了30.3%,平均迭代次数降低了43.9%,在动态环境中也能生成安全路径。     

基于改进APF-RRT的机械臂避障路径规划

为提高机械臂在复杂环境下的避障路径规划效率,提出一种适用于椭球障碍物的改进人工势场-快速搜索随机树（Artifical Potential Field-Rapidly exploring Random Tree,APF-RRT）算法。首先,使用椭球体包围盒包络障碍物,对椭球体的碰撞检测进行分析;其次,为了加快路径探索速度,引入随机点效应与随机点选择机制对RRT算法进行改进,机械臂采用改进后的RRT与人工势场法的混合方法进行路径规划;最后,对规划好的路径进行冗余点删除,并使用四次B-样条曲线对路径进行平滑,提升路径的质量。实验结果表明,相较于经典算法,该算法能够快速完成避障路径规划且规划路径更短。     

基于改进遗传算法的移动机器人路径规划

路径规划属于移动机器人设计中的重要技术,基于该技术可以实现机器人的自主决策导航,从而平稳高效达到预定的目标位置。常规路径规划算法存在路径规划长度大以及连续性不佳等问题,设计了一种帧间关联平稳路径规划算法,该算法的核心是改进的遗传算法。算法中需要先得到一定量的候选路径,此过程采用了定向、随机搜索方式;然后为解决路径连贯性、节点冗余的问题分别设计了插入算子、删除算子,同时在适应度计算时考虑到了路径的连续性;在此基础上根据适应度大小确定最优路径。针对算法的应用效果进行了仿真和实验,并与A^*算法、常规遗传算法的应用效果进行对比分析,研究结果显示,相对于其他两种算法,设计的算法降低了路径长度,比前两种算法分别减小7.86%、2.76%。另外最大偏航角变化量相对于前两种算法降幅依次是61.5%、44.97%,转角绝对值之和降幅依次是36.94%、26.07%,由此验证了算法的有效性,适合于应用到移动机器人路径规划中。     

基于改进RRT算法的无人车路径规划研究与测试

针对基本快速搜索随机树(RRT)算法在路径规划过程中存在的节点采样随机、收敛速度慢以及寻址精度低等问题,结合目标引力函数和障碍物排斥力场函数,设计了一种基于动态步长的改进RRT算法。算法采用分区域节点扩展方式,实现精细化路线规划,提升路径指向性及避障能力;同时,利用转角限制、平滑处理等方式减少无效拐点,提高路线实用性。结果表明,所用算法具有较好的抗干扰能力,可有效提高无人车的路径规划精度和作业效率,缩短货物运送路程,减少成本消耗。相比基本RRT算法,采用改进RRT算法的无人车行驶路程缩短17.7%,作业效率提高25%,成本消耗减少25%。研究结果具有一定实用性,可为仓储无人运输车应用提供理论支撑。     

基于改进蚁群算法的机器人三维路径规划

针对蚁群算法在机器人三维避障路径规划中收敛速度慢以及精度较低的缺陷,结合人工势场法强化目标路径的优点,引入人工势场法中目标点处的引力域,修改了蚁群算法的启发值参数。在原有蚁群算法的基础上,提出了吸引素概念,根据吸引素修改了原有信息素参数的更新规则,使得蚁群算法能更快的达到收敛。最后仿真结果表明,在相同工作环境下改进后蚁群算法达到最优适应度值所需迭代次数相较于改进前存在明显的缩短,同时最优适应度值也有一定的提升。     

基于改进 Dijkstra算法的机器人路径规划研究

针对传统 Dijkstra算法搜索时间长、计算复杂度高等问题,文章提出一种有效的改进路径的算法.首先采用 MATLABRoboticToolbox,根据 DenavitＧHartenberg (DＧH)参数建立平面机器人操作臂模型,并利用 MonteCarlo (蒙特卡洛)点云建立避障工作空间。其次,通过改进 Dijkstra算法在点云空间进行路径规划,并进行仿真实验。实验验证了该算法具有空间占用小、路径规划短、搜序效率高等优势。     

基于改进蚁群算法的车辆路径优化

针对基本蚁群算法易陷于局部最优解及道路交通流易产生拥塞等缺陷,提出了一种改进蚁群算法。结合实时交通信息,以时间最短建立了动态路径规划的目标转换模型,应用改进蚁群算法求解车辆最短路径,对于求解过程中出现局部最优解,引入了随机蚂蚁这一概念,同时基于Greenshields模型处理了正反馈以及个体最优策略造成的拥塞现象。     

基于改进RRT算法的机械臂路径规划方法

针对快速扩展随机树算法（RRT）扩展无方向性且路径冗长曲折的问题,本文提出了一种改进的RRT算法并应用于机械臂的路径规划。该算法首先利用概率目标偏向与双采样点择优原则优化采样点,以增强算法的启发性;然后引入目标引力思想来改变新节点的扩展方向,并在此基础上提出了一种可变步长思想来增强避障的效果。在Matlab中将改进算法与RRT算法和概率偏向RRT算法进行仿真,结果表明在三维环境中改进算法的执行时间比RRT和P-RRT分别减少54.7%和33.6%,路径长度也有较大的改善。     

基于栅格地图改进的智能路径选择算法

交通和物流领域的发展,对路径规划算法的时间复杂度与精度提出了越来越高的要求。针对该问题,提出了一种基于栅格地图改进的智能路径选择算法。该算法利用方向信息来对算法进行优化设计,基于原有地图带有的始末位置的方向信息,定义权值矩阵与方向权重向量,以此作为路径中下个栅格的选择依据,并采取奖励与惩罚措施来提高算法的收敛速度。此外,算法还采取了多余栅格的优化措施来提高算法性能。通过对于典型仓储AVG问题模型的仿真来验证算法的有效性。结果表明,路径长度收敛到满足条件的较优解所需的时间,智能路径选择算法较A;算法及传统Dijkstra算法可以减少10%以上,具有较低的时间复杂度和较高的寻优效率。     

基于改进A*算法的无人机路径规划研究

针对传统A*算法在无人机路径规划时效率低下、路径点存在大量冗余,且路径转折较多的缺点,提出一种基于双向机制的改进A*算法。首先引入双向搜索机制,分别以对向搜索的起点作为终点,然后判断终点位于起点的象限进行双定向搜索,从而提高搜索效率。最后引入路径平滑策略,将双定向搜索获取的初始路径进行平滑处理,减少冗余路径点和转折点。通过MATLAB平台对传统A*算法和改进A*算法进行对比实验,实验结果表明,相比于传统A*算法,提出的改进A*算法,路径规划时间平均减少了61.61%,路径点平均减少了83.09%,路径转折点平均减少了46.97%,能够有效提高无人机工作效率,生成平滑路径。