动态未知环境下一种新的机器人路径规划方法

针对机器人动态路径规划问题,提出了一种机器人在复杂动态环境中实时路径规划方法.该方法基于滚动窗口的路径规划和避障策略,通过设定可视点子目标、绕行障碍物和对动态障碍物的分析预测,实现机器人在复杂动态环境下的路径规划.针对障碍物分布情况,合理设计可视点法和绕行算法之间转换,有效地解决了局部路径规划的死循环与极小值问题.该方...     

基于遗传算法的移动机器人动态路径规划研究

针对移动机器人未知、动态环境下路径规划的难题,对移动机器人进行了系统设计,采用动态栅格法对环境建模,在对传统遗传算法进行一定的改进的基础上,个体评价函数采取可行路径适应度函数和不可行路径适应度函数分别进行处理,通过算法设计和仿真可知,采用该方法对移动机器人进行动态路径规划时,与任何障碍物不发生碰撞,路径短而且规划曲线平滑,达到了满意的规划效果和收敛速度。     

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。     

基于遗传算法的机械臂实时避障路径规划研究

针对模块化机械臂在运行时可能与工作空间中的障碍物发生碰撞的问题, 提出一种基于遗传算法的避障路径规划算法。首先采用D-H(Denavit-Hartenberg)表示法对机械臂进行建模, 并进行运动学和动力学分析, 建立机械臂运动学和动力学方程。在此基础上, 利用遗传算法分别在单/多个障碍物工作环境中, 以运动的时间、移动的空间距离和轨迹长度作为优化指标, 实现机械臂避障路径规划的优化。通过仿真验证了基于遗传算法的机械臂避障路径规划算法的有效性与可行性, 该算法提高了运行中的机械臂有效避开工作空间中障碍物的效率。     

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。     

复杂环境下改进APF的机器人路径规划

针对移动机器人在有大型障碍物和运动空间相对狭窄的复杂环境中,人工势场法（APF）容易出现反复震荡、路径规划时间较长以及大型障碍物附近避障困难的问题,提出了在结合边缘探测法的APF路径规划基础上,加入自适应动态步长调整算法来克服APF的上述缺陷,实现移动机器人在复杂环境下的平滑路径规划,在确保路径近似最优的同时提高APF算法的收敛速度和路经规划的避障性能。实验结果证明了上述方法的有效性。     

基于自回归模型的移动机器人路径规划

文章研究了全局环境未知且存在动态障碍物情况下的移动机器人路径规划问题;采用全局规划和局部规划相结合的方法,提出了动态未知环境下移动机器人的一种在线实时路径规划方法;该法利用自回归模型来预测动态障碍物的运动轨迹,并把预测位置上的动态障碍物视为是瞬时静态的,然后对该"静态"障碍物进行避碰路径规划;仿真实验结果表明该法有效可行,具有优化性、实时规划性、高度的稳定性和良好的避障能力.     

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.     

基于障碍物运动预测的移动机器人路径规划

针对移动机器人局部动态避障路径规划问题开展优化研究。基于动态障碍物当前历史位置轨迹,提出动态障碍物运动趋势预测算法。在移动机器人的动态避障路径规划过程中,考虑障碍物当前的位置,评估动态障碍物的移动轨迹;提出改进的D*Lite路径规划算法,大幅提升机器人动态避障算法的效率与安全性。搭建仿真验证环境,给出典型的单动态障碍物、多动态障碍物场景,对比验证了避障路径规划算法的有效性。     

实现机器人动态路径规划的仿真系统

针对机器人动态路径规划问题,提出了在动态环境中移动机器人的一种路径规划方法,适用于环境中同时存在已知和未知,静止和运动障碍物的复杂情况。采用栅格法建立机器人空间模型,整个系统由全局路径规划和局部避碰规划两部分组成。在全局路径规划中,用快速搜索随机树算法规划出初步全局优化路径,局部避碰规划是在全局优化路径的同时,通过基于滚动窗口的环境探测和碰撞规则,对动态障碍物实施有效的局部避碰策略,从而使机器人安全顺利地到达目的地。仿真实验结果说明该方法具有可行性。     

动态环境中基于遗传算法的移动机器人路径规划的方法

动态环境中，移动机器人的动态路径规划是一个较难解决的课题．本文提出一种 基于遗传算法的移动机器人的路径规划方法．该方法采用实数编码的方法，有明确物理意义 的适应度函数，以加快实时的运算速度和提高运算精度．该方法充分挖掘可应用遗传算法解 决移动机器人动态路径规划的潜力．通过计算机仿真表明该控制方法具有良好的动态路径规 划能力．     

机器人全覆盖最优路径规划的改进遗传算法

全区域覆盖是一种特殊的路径规划,要求遍历环境中所有的可达区域。目前已经提的许多算法,如模板算法、分块算法等,都只能保证覆盖所有的区域,对于寻找全局最优解却无能为力。提出了一种基于遗传算法的全区域覆盖算法,结合分块算法和模板算法的优点。先采用矩形分解法将环境划分成若干个相邻的子模块,并为每一个子模块选用相应的模板,从而生成覆盖路径,然后采用遗传算法找出最优的路径。算法在虚拟环境中进行了实验,实验结果证明了其可行性和有效性。     

复杂环境下路径规划问题的遗传路径规划方法

本文主要研究复杂环境下路径规划问题的遗传算法求解方法．介绍了适于求解路径 规划问题的遗传算法,针对复杂环境的特点设计了有效的路径遗传算子,在此基础上提出一 种新的度量路径个体适应度的计算方法．试验表明,该算法有很强的鲁棒性,适合于复杂环 境下的路径规划．     

基于改进A*算法和动态窗口法的机器人路径规划

针对移动机器人在复杂环境下(包含静态和动态环境)的路径规划效率低的问题,提出了一种改进的A*算法与动态窗口法相结合的混合算法。针对传统A*算法安全性不足的问题,采用障碍规避策略,优化节点的选择方式,增加路径的安全性;针对转折点多的问题,采用递归二分法优化策略,去除冗余节点,减少转弯次数;针对静态环境下路径平滑性不足的问题,采用动态内切圆平滑策略将折线角优化成弧度角,以增加路径的平滑性。对于传统动态窗口法的目标点附近存在障碍物时规划效果不好和容易在凹型槽类障碍物中陷入局部最优的问题,在原有的评价函数中引入了距离偏差和轨迹偏差。最后,对所提的改进A*算法和混合算法分别在静态和动态环境下与其他算法进行仿真比较。从结果可以看出,与传统混合算法相比,临时障碍环境下,路径长度和运行时间分别缩短了13.2%和65.8%;移动障碍环境下,路径长度和运行时间分别缩短了13.9%和44.9%,所提的算法提高了在复杂环境中规划路径的效率。     

基于B-RRT*FND算法的移动机器人路径规划

针对RRT*FN算法获取路径解的速度慢,且无法应用于动态环境等问题,提出固定节点数的动态双向渐近最优快速随机扩展树算法(bidrectional RRT* fix-node dynamic, B-RRT*FND),用于解决移动机器人在二维空间内快速实时获取无碰撞路径的问题.所提出算法基于RRT*FN算法,采用双向贪婪搜索方法加快路径搜索速度,解决单向RRT算法由于随机采样的盲目性造成的搜索速度慢、在狭窄环境下难以搜索到解的问题;利用固定节点算法在规划过程中不占用过多计算量的特点,在路径迭代优化过程中,实时更新地图信息,并对被破坏的原始路径进行修复重连,以完成算法的动态规划.将所提出算法与RRT、RRT*FN等算法在3种环境下进行对比仿真,验证结果表明,所提出算法在规划速度、路径解长度以及动态规划性能方面具有较好效果.     

基于改进蚁群算法的水下无人机路径规划研究

为实现水下无人机在水域中自主作业的功能,对其设计一套合理的路径规划方案是非常有必要的。蚁群算法针对水下无人机路径规划方面有着非常好的效果,拥有不错的鲁棒性,但是传统的蚁群算法在解决路径规划问题时很容易出现局部最优解的问题。以传统蚁群遗传算法理论为根据,对其进行添加目标引导素、构建精英蚂蚁体系、更新信息素浓度这三方面的改进,使用栅格法构建水下环境分析模型,并以最短的路径为目的,规划一条从初始状态到目标状态的无碰安全途径,运用仿真的办法展开验证。结果显示：相较于传统算法,改进后的算法在求解速度和全局求解能力上有较大的优势。     

基于自适应飞蛾扑火优化算法的三维路径规划

三维路径规划问题是在干扰环境下寻找出发点到目的地之间最优路径的组合优化问题。针对传统群智能算法在求解该问题时存在收敛精度低、易陷入局部最优等缺陷,提出了一种自适应飞蛾扑火优化算法对该问题进行优化求解。改进算法通过引入飞行方向动态调整策略和位置交叉策略,在动态调整飞蛾飞行方向的同时不断产生新个体,有效避免了算法陷入局部最优;通过自适应调整火焰的数量,在算法全局探索阶段增强了种群多样性,避免了早熟收敛。将自适应飞蛾扑火优化算法与其他群智能算法用于三维路径规划问题求解,实验结果表明,改进的自适应飞蛾扑火优化算法在所有算法中代价值最小,收敛速度最快,说明该算法在三维路径规划问题中具有更好的求解能力。     

基于改进蝙蝠算法和三次样条插值的机器人路径规划

为更好地解决移动机器人路径规划问题, 改进蝙蝠算法的寻优性能, 拓展其应用领域, 提出了一种具有反向学习和正切随机探索机制的蝙蝠算法. 在全局搜索阶段的位置更新中引入动态扰动系数, 提高算法全局搜索能力; 在局部搜索阶段, 融入正切随机探索机制, 增强算法局部寻优的策略性, 避免算法陷入局部极值. 同时, 加入反向学习选择策略, 进一步平衡蝙蝠种群多样性和算法局部开采能力, 提高算法的收敛精度. 然后, 把改进算法与三次样条插值方法相结合去求解机器人全局路径规划问题, 定义了基于路径结点的编码方式, 构造了绕避障碍求解最短路径的方法和适应度函数. 最后, 在简单和复杂障碍环境下分别对单机器人和多机器人系统进行了路径规划对比实验. 实验结果表明, 改进后算法无论在最优解还是平均解方面都要优于其他几种对比算法, 对于求解机器人全局路径规划问题具有较好的可行性和有效性.