基于ACO-RRT算法的移动机械臂避障路径规划

在充满障碍物的环境里,基于随机采样的RRT算法和RRT^*算法进行移动机械臂避障路径规划时常存在路径代价高和求解速度慢等问题。为解决以上问题,首先将ACO蚁群算法中的启发式思想融入RRT算法形成ACO-RRT算法,在不同使用场景引入不同启发式修改采样策略解决最短路径问题;然后通过定义效用函数权衡探索函数与开发函数分配率,使得在效用函数增加的地方采样更加频繁;最后在相同的障碍环境中评估ACO-RRT、RRT和RRT^*3种算法的迭代次数、路径代价和求解速度等性能指标。实验结果表明,ACO-RRT算法解决了RRT算法和RRT^*算法存在的问题,并且性能优于目前较为成熟的RRT算法和RRT^*算法。     

复杂多场景下机械臂避障运动规划方法研究

为提高工业机械臂在狭窄通道、多障碍物等复杂多场景下避障运动规划的成功率和效率,建立了基于圆柱体和球体包围盒机械臂与障碍物之间的碰撞检测模型,并提出了一种基于启发式概率融合人工势场法的改进型RRT^*算法(P-artificial potential field-RRT^*,PAPF-RRT^*)。采样上引入概率目标偏向与随机采样点优选策略,对采样点进行位置优选约束,增强采样导向性和质量;为改变传统新节点扩展方向和特殊环境下局部最优问题,融合人工势场法的目标引力与障碍物斥力和自适应步长,使算法在APF产生的合力范围下实时引导新节点扩展方向和步长大小,降低过度的探索和碰撞区域扩展;对冗余节点进行删除,并采用三次B样条插值优化,提高机械臂轨迹的柔顺性。仿真结果表明,所提算法较传统RRT*算法在平均路径搜索时间上降低了56.75%,路径长度缩短了17.74%。导入机械臂模型后可视化仿真结果证明,所提算法可使机械臂成功避障且快速平稳运行到目标点。     

基于改进RRT-Connect算法的路径规划研究

传统移动机器人的路径规划算法环境障碍建模复杂且容易陷入局部最小值，而基于采样的快速扩展随机树(RRT)算法通过随机节点快速扩展路径搜索效率低。RRT-Connect算法在RRT算法基础上提升了搜索效率，但存在路径曲折的问题。为此，在RRT-Connect算法基础上通过加入人工势场引导增长方法和目标偏置采样方法，改进算法规划路径的平滑性和速度。为验证改进算法的有效性，与RRT算法、RRT-Connect算法在不同复杂度环境中的执行性能进行比较。仿真实验的结果表明，改进算法在三种不同环境下的路径规划时间和路径规划长度以及标准差稳定性方面均优于其他两种算法。     

一种用于无人车路径规划的改进双向快速扩展随机树算法研究

快速扩展随机树(RRT)算法在生成采样点时,采用随机扩展策略进行盲目搜索,导致路径生长过程中缺乏方向性且规划速度缓慢.针对此问题,提出了一种改进双向快速扩展随机树算法(Bi-RRT).首先,在节点的生成方式上,同时生成两个采样点,通过舍弃距离目标点较远的采样点来提高采样效率,确保采样点的有效性,加快路径规划速度;然后,结合自适应采样目标偏向策略,使路径的规划更具有方向性,能够逃离局部极小值.同时在规划过程中,两棵随机树分别选择对方生成的最新节点作为目标,以降低众多繁杂节点的产生,使路径生成更具有目的性;接着利用Matlab软件,将改进Bi-RRT算法同基本RRT和Bi-RRT两种路径规划算法进行对比分析.仿真结果表明,研究算法能缩短规划时间、减少迭代次数,具有较好的可行性和有效性.最后进行了样车实验,验证了研究算法的可靠性.     

面向三维陷阱空间的改进RRT算法航迹规划

鉴于RRT算法在三维陷阱空间的路径规划中存在规划时间长、成功率低、路径不规则等缺陷,提出一种改进RRT算法(IRRT),结合蚁群优化算法的思想,对RRT获得的路径设置信息素更新规则,采用轮盘赌选择获取下一个扩展点,通过迭代以获得理想的路径方案。同时,提出设置三维突防关键点引导航迹搜索应对三维陷阱空间狭小突防间隙,提高算法的搜索性能。针对三维陷阱空间下的航迹规划的仿真实验表明,较其他常用的航迹规划算法,采用三维突防关键点的IRRT算法更具有更好的稳健性和收敛性能。     

基于融合改进双向RRT与人工势场法路径规划

由于快速扩展随机树(RRT)算法在路径规划中存在速度慢,计算量大和效率低等问题,提出一种双向快速扩展随机树(RRT)算法与人工势场法(APF)相结合的路径规划。首先,利用人工势场法(APF)进行局部路径规划,提供运动路径。其次,使用改进的快速扩展随机树算法选择临时目标点,用以解决路径规划时陷入最小值的问题,将人工势场法(APF)引入双向RRT算法中。将局部路径规划与全局路径规划相结合,缩短运行时间和路径长度,基于仿真实验表明,该方法在运行时间、路径长度和迭代次数等方面都得到显著提高。     

基于AGD-RRT算法的机械臂路径规划

针对RRT（rapidly-exploring random tree）算法在进行机械臂路径规划过程中存在的拓展导向性差、冗余节点多、路径质量差等问题，提出了一种基于AGD-RRT（adaptive goal-directed RRT）的算法。首先，该算法构建了一种动态的目标偏向概率函数，实时调整对目标点进行采样的概率以达到自适应目标导向的效果，减少了无用节点的生成，提高了收敛速度。其次，采用贪婪收敛策略，防止了随机树在目标周围时的盲目扩张。搜索结束后，采用节点剔除法剔除路径中的冗余节点，并用B样条曲线对轨迹进行平滑处理，提高了路径质量。然后在二维、三维环境中进行了对比仿真实验，验证了该算法的可行性与优越性。最后进行了样机实验，验证了所提算法在机械臂关节空间进行路径规划的可行性。     

基于AHMRRT的移动机器人路径规划算法

为解决单向快速探索随机树(rapid exploring random tree,RRT)算法路径规划效率低且易陷入局部极小点的问题,提出了一种自适应启发式多快速探索随机树(adaptive heuristic multiple rapid exploring random tree,AHMRRT)路径规划算法.一方面,基于多随机树构建策略的AHMRRT算法可以在起始点、目标点、子目标点生成4棵随机树,同时进行扩展搜索,从而提高路径规划效率;另一方面,通过在单棵随机树生长过程中添加自适应启发式偏置因子,AHMRRT算法可以根据环境中障碍物的情况自适应地改变新节点的生成策略.探索自由空间时,该算法可以在偏置因子的作用下迅速向目标点扩展以提高搜索效率;探索多障碍物空间时,该算法将调用随机采样函数以防止落入局部最优.在仿真实验中,设计了4种环境下AHMRRT算法与随机概率目标快速探索随机树(probability goal RRT,PGRRT)、双向快速探索随机树(bidirectional RRT,BRRT)算法的对比实验,仿真实验结果证明了该算法的可行性和高效性.     

基于人机合作策略下SAS算法的多无人机路径再规划

针对复杂多变的战场环境中多无人机路径再规划,给出了一种人机合作策略下的改进稀疏A*算法。提出在局部路径再规划动态窗口内人工干预给出必经子目标点,再通过SAS算法自动规划出路径的人机交互策略;采用路径再规划约束条件对生成的路径节点进行了合并处理。仿真实验表明,上述改进的SAS算法,有效约束了SAS算法可行解空间,降低了算法的计算量,并且减少了生成路径点的个数,缩短了数据传输时间,获得了多无人机规避突发威胁/危险、避碰的令人主观满意的再规划路径。     

基于强化RRT算法的机械臂路径规划

针对快速拓展随机树算法(rapidly-exploring random trees, RRT)存在采样随机、重复搜索、偏离目标点和节点冗余等问题,提出一种强化快速拓展随机树算法(intensity-guide rapidly-exploring random trees, IG-RRT)。采用覆盖剔除机制强化算法搜索能力,将已搜索区域进行覆盖,覆盖后不再进行搜索和产生新节点,避免重复搜索,提高搜索能力和搜索效率。后续加入目标引导概率,根据地图难度对目标引导概率进行调整,强化算法目标趋向性,对末端节点采用贪婪思想,强化算法收敛性。通过简化路径,去除冗余点,利用三次B样条曲线平滑拐点,提高路径质量。仿真试验表明,IG-RRT算法性能优于传统RRT算法及其相关衍生算法。IG-RRT算法可以增强对复杂约束空间的搜索能力,加快算法的收敛速度,提高路径规划的成功率。     

改进RRT移动机器人路径规划算法

以RRT算法规划路径过程中碰撞检测函数得到的碰撞点坐标作为人工势场法中的障碍物坐标,在树枝扩展函数中引入向合力方向移动机制,再从目标点向起始点搜索最终路径的过程中加入"改线"机制。仿真实验表明,改进算法较传统RRT算法得出的路径长度减少了16%,采样点减少了74%。     

一种机器人路径规划算法的研究

路径规划算法是室内移动机器人应用中最重要的算法之一.根据室内移动机器人在动静态环境下实时避障规划出一条最优路径的要求,设计一种新的路径规划算法.通过删除冗余点并平滑路径的方式对A*算法进行改进,又将其与TEB算法相结合,实现从指定起始点到指定目标点的路径选择及移动.实验结果表明,利用该算法可得到耗时短、平滑的路径,实时...     

基于可搜索24邻域的A*算法路径规划

针对A^*算法在移动机器人路径规划时求解得到的路径长度不是最优并且转折点较多的问题,提出了可搜索24邻域的A^*算法路径规划.该方法在传统A^*算法的基础上进一步改进其启发搜索策略,将传统A^*算法的可搜索邻域个数从离散的8个扩展到24个,进而增加更多的搜索方向.结果表明,改进的A^*算法实现了路径长度更短的目的,同时降低了转折点数,且移动机器人的运行路径也更加平滑.本文方法具有较强的实际意义和应用背景,通过实际运行过程验证了其设计方法具有一定的有效性.     

智能停车场反向寻车系统设计

为了解决智能停车场的反向寻车问题，给出了基于PC客户端和移动客户端APP智能停车场或车库的反向寻车方法。采用超声探测手段进行车位车辆有无检测、设置监控设备与车位一对多方式完成车位图像采集，利用STM32单片机系统通过Zigbee无线通信组网方式将监测到的车牌号码及其车位编号等信息传输至服务器。利用ArcGIS进行场内地图的设计制作，通过文中提出的改进A*寻车路径规划算法实现搜素范围约束和冗余点的剔除，实现路径规划，完成寻车指引。对比不同环境下的路径优化仿真分析结果，改进的A*算法较广度优先算法减少了60%～80%的搜索节点数目。     

复杂环境下移动机器人路径规划与跟随

提出了一种基于改进A^*算法和PID控制算法的新型移动机器人路径规划与路径跟随控制方法,该方法适用于复杂的迷宫环境．在所提出的方法中,解决了A^*算法转折点过多的问题,并且通过拓展障碍物和四阶三次均匀B样条优化的方法使生成的预期路径安全且平滑;之后基于前视点的两轮差速机器人运动学模型设计了PID控制器．在专门设计的框架中测试了所提出方法的性能．作为验证,分别从路径规划与路径跟随两个方面做了详尽的实验,结果表明,规划路径转折点少且平滑,设计的PID控制器能够控制移动机器人实现较好的路径跟随效果．最后,在复杂的迷宫环境中验证了提出的方法,结果表明,所提出的方法能够使机器人无碰撞穿越迷宫．     

基于改进RRT~*算法的路径规划

针对标原始快速扩展随机树星(RRT~*,Rapily-exploring random Tree Star)算法在寻求最短路径过程中存在搜索时间长和收敛速率缓慢的问题,提出一种改善的RRT~*算法。该算法首先利用目标偏置策略减少RRT~*的随机性,然后在此基础上提供了一种改进的步长扩展方法,称为规避步长延伸法,可以使随机树在向着目标点迅速延伸的同时,又能避免陷入局部最小值,合理地避开障碍物。通过MATLAB仿真实验证明,该算法在保证RRT*算法的概率完备性和渐近最优性的前提下,可有效地减少搜索时长和加快收敛速率。     

基于改进蚁群算法的机器人路径规划研究

针对物流机器人路径寻优问题,提出一种改进的蚁群算法。该方法使用双向搜索的A^*算法预先得出两条路径作为较优解,之后以路径为中心向各个搜索方向扩展成优势区域,以设定的系数提高区域内信息素浓度,最终实现传统蚁群算法的改进。在20 m×20 m的栅格环境内对算法进行仿真试验,结果表明改进的蚁群算法的路径寻优能力更强,可为物流机器人路径规划问题提供一定参考。     

基于区域采样随机树的客车局部路径规划算法

为解决结构化道路环境下自动驾驶客车的路径规划问题,针对双车道避障工况提出了一种区域采样随机树RS-RRT算法。在采样阶段,集成高斯分布采样和局部偏向性采样来提高路径规划算法的搜索效率。在随机树扩展阶段,考虑了客车和障碍物的实际尺寸,利用分离轴定律(SAT)实时检测客车和周围障碍物的碰撞风险。在后处理阶段,结合安全性和舒适性的目标,融合了驾驶共识、安全距离模型和路径平滑算法对规划的路径进行修正。为验证RSRRT算法的有效性,搭建了商用车电液转向系统硬件在环试验台,利用TruckSim构建仿真场景,通过MATLAB和TruckSim的联合仿真实现算法的验证。试验结果表明:与基本RRT和目标偏向性RRT(Goal-biasing RRT)相比,本文算法在节点数量、路径长度和运行时间上均有优势,生成的路径满足客车动力学和路径跟踪要求。     

应用改进随机树算法的无人艇局部路径规划

针对无人艇航速高及实时性要求高的特点,为满足路径规划需要,在经典快速扩展随机树(RRT)算法的基础上,设计一种基于改进RRT算法的局部路径规划方法,引入抑制因子、限定转角和距离启发信息,改进生长点和探索点的选择,提高了算法速度.为兼顾航行距离最短和无人艇操控性能的特殊要求,对规划路径采取多余航点处理以及考虑回转性能的平滑处理.以海上和湖上典型雷达图像的处理结果为环境模型,进行局部路径规划试验.试验结果表明:该方法可以快速完成路径搜索,在提高搜索效率的同时缩短了规划距离,优化处理后的航线更适用于无人艇的跟踪,满足无人艇规划系统的要求.     

一种考虑复杂约束的线缆束路径规划方法

针对现有的路径规划方法无法用于考虑复杂工程规则约束的多电飞机机载设备线缆束路径规划的问题,基于拟物拟人算法和改进A*算法,研究并提出一种考虑复杂约束的线缆束路径规划方法.首先,提出了综合考虑路径长度成本、弯线槽材料成本、弯线槽工艺成本和弯线槽重量成本的布线总成本的计算方法,并改进了传统A*算法中的估价函数;然后,基于拟...