基于非完全平坦地形下的移动机器人路径规划

目前,人工智能技术已在机器人领域中广泛使用,由此诞生了智能机器人。其中,移动机器人为研究热点,受到国内外专家、学者的高度关注。这类机器人研究的重点体现在怎样产生“移动”状态,其关键技术是路径规划。在此探讨了非完全平坦地形环境下的移动机器人路径规划问题,提出了采用势场-蚁群融合算法引导移动机器人规划路径并通过实验进行验证。考虑到原有路径规划没有分析地形影响要素,因而产生较多的能耗,在此将其工况环境设定为非完全平坦地形,从而阐述一类基于多地形约束条件的路径规划方案。     

多地形约束条件下的移动机器人路径规划方法

针对传统路径规划中未考虑地形因素而引起的移动机器人能耗过多问题,通过假设移动机器人工作环境为非完全平坦地形,提出一种多地形约束条件下的移动机器人路径规划方法.首先,为了表示环境内的不平坦地形,定义了一种2.5维栅格地图,引入半自由栅格与半障碍栅格的概念,将原可通行性系数范围扩增以便移动机器人识别.其次,通过综合地面高差...     

非结构化场景下基于改进JPS算法的移动机器人路径规划

针对移动机器人在大范围非结构化场景下的路径规划问题,在改进跳点搜索(JPS)算法的基础上结合A*搜索,提出一种基于分层栅格地图的Jump A*(JA*)路径规划算法.该算法对三维点云地图进行栅格化分层处理,将环境信息划分为结构层与非结构层,并建立搜索策略切换规则,依据图层信息使用不同的搜索策略,从而有效减少计算量.为了验证JA*算法的有效性,在图层比例不同的三维地图中进行仿真,仿真结果表明,JA*算法相比于传统的A*算法遍历节点更少,搜索效率更高;相比于双向A*算法,具有更高的鲁棒性.最后将JA*算法应用在公开数据集中,实验结果表明,JA*算法能有效解决移动机器人在大范围非结构化场景下的路径规划问题.     

未知环境下基于约束点的移动机器人路径规划

针对未知环境中障碍物种类多样性和位置不确定性的特点,提出了基于约束点的路径规划方法。首先对机器人在未知环境中检测到的局部障碍物信息进行分类和几何特征属性描述,得其约束点信息,然后引入改进后的A*算法,将其搜索范围局限于约束点上,计算约束点的评价函数值后得到子目标点,机器人到达子目标点后,若陷入死区,则采取回溯路径策略,重新选择子目标点,否则根据该点所属的障碍物种类采取跨越或绕行避障策略,最后移动机器人在未知环境中顺利到达目标点。仿真研究说明本文提出的路径规划方法具有可行性和有效性。     

多目的地自主移动机器人的路径规划

针对移动机器人规划多个目的地路径效率低的问题,设计一种结合全局静态规划与局部动态规划的多目的地路径规划算法。基于改进的A*算法规划出两地点间的路径,计算各路径的距离;依据此距离大小采用模拟退火策略对多个目的地进行优化排序,规划出一条全局最优路径;依据最优路径动态设置当前的移动节点,改进动态窗口算法的选择指标。仿真结果表明,改进算法减少了规划路径的长度,运动速度更平稳;实时规划有效避开了障碍物,提高了移动机器人的安全性与准确性。     

融合改进A*与DWA算法的移动机器人路径规划

针对移动机器人在复杂环境下实现全局路径最优、未知环境下动态实时避障这一路径规划需求,对传统A*（A-star）算法进行改进,并融合动态窗口法（DWA）实现动态实时避障。首先分析栅格环境下的障碍物占比,将障碍物占比引入传统A*算法,优化启发函数h(n),从而改进评价函数f(n),提高其在不同环境下的搜索效率;其次针对复杂栅格环境下传统A*算法优化后的轨迹与障碍物顶点相交问题,优化子节点选择方式,同时删除路径中的冗余节点,提高路径的平滑度;最后融合动态窗口法,实现复杂环境下移动机器人的动态实时避障。通过MATLAB下的对比仿真实验表明,改进算法在轨迹长度、轨迹平滑度以及历经时间上得到优化,满足全局最优且能实现动态实时避障,具有更优秀的路径规划效果。     

Bezier曲线与A~*算法融合的移动机器人路径规划

移动机器人路径规划一直是移动机器人领域里的重要技术问题。A*算法在最优路径搜索上有着比较成功的运用,但在栅格环境下的A*算法也存在着折线多、转折角度大等问题。在考虑移动机器人的实际工作环境及相关运动参数后,这些问题都将大大地影响移动机器人的工作效率。在对以上问题进行分析后提出了一种基于Bezier曲线与A*算法融合的方法来实现移动机器人的路径规划,再通过MATLAB、V-REP仿真工具来实现Bezier_A*融合算法与平滑A*算法及A*算法的对比。通过Bezier_A*融合算法使得机器人在工作中的寻优能力、路径规划效率都得到较大的提高。     

基于改进A*算法的移动机器人路径规划研究

A*算法广泛应用于移动机器人路径规划中，而传统A*算法在寻路时，普遍存在搜索时间较长、效率低下等问题，因此，采用双向搜索的方式，对传统A*算法加以改进，该算法在路径规划过程中，可同时进行正反向路径搜索，同时采用正反向搜索交替机制，保证了最终目标节点搜索在连线中点区域内相遇，从而缩短了寻路计算时间。在MATLAB平台上，针对改进后的A*算法进行仿真实验，结果证明，双向A*算法减少了规划时间，且可生成最优路径。最后，将该算法应用到基于开源机器人操作系统的Turtlebot2移动平台上，进行现场实验，实验结果表明，双向A*算法减少了寻路计算时间，从而使得路径搜索效率得到显著提升，且规划路径合理，满足路径规划要求。     

基于改进A*算法的移动机器人路径规划

为了解决较大场景下A^*寻路算法存在的内存开销大、计算时间长等问题,本文在A^*算法的基础上,结合跳点搜索算法,提出一种改进的A^*算法．该算法通过筛选跳点进行扩展,直到生成最终路径,扩展过程中使用跳点代替A^*算法中大量可能被添加到OpenList和ClosedList的不必要节点,从而减少计算量．为了验证改进A^*算法的有效性,分别在不同尺寸的2维栅格地图中进行仿真,仿真结果表明,相比A^*算法,改进A^*算法在寻路过程中扩展更少的节点,寻路速度更快,且加速效果随环境地图的增大更加明显．最后将改进A^*算法应用于移动机器人Turtlebot2进行对比实验．实验结果表明,在生成相同路径的基础上,改进A^*算法的寻路速度较A^*算法提高了约200%,能够满足移动机器人路径规划的要求．     

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     

改进A*算法在机器人室内路径规划中的应用

传统A^*算法在面向机器人室内多U型障碍的特殊场景下规划路径时，容易忽略机器人实际大小，且计算时间较长。针对这个问题，提出一种改进A^*算法。首先引入邻域矩阵进行障碍搜索以提升路径安全性，然后研究不同类型和尺寸的邻域矩阵对算法性能的影响，最后结合角度信息和分区自适应距离信息对启发函数进行改进以提高计算效率。实验结果表明，改进A^*算法可以通过更改障碍搜索矩阵的尺寸来获得不同的安全间距，以保证不同机器人在不同地图环境下的安全性；而且在复杂大环境中与传统A^*算法相比寻路速度提高了28.07%，搜索范围缩小了66.55%，提高了机器人在遇到动态障碍时二次规划的灵敏性。     

State estimation and traversability map construction method of a quadruped robot on soft uneven terrain

Quadruped robots show excellent application prospects in complex environment detection and rescue. At present, scholars mainly focus on quadruped walking in rigid environments. However, quadruped robots often need to pass through uneven and soft unconstructed terrains, prone to slip and impact. The mismatch between the planned foothold position and the real one resulting from environmental uncertainties makes the robot unstable. In this paper, the state estimation and traversability map construction methods are proposed for quadruped robots to achieve stable walking in an unstructured environment, especially on soft terrains. First, the Error-state Kalman Filter (ErKF) is extended by optimizing the leg odometry information to get an accurate robot state, especially in soft, uneven terrain. The ErKF method fuses the sensor data from the inertial measurement unit, laser, camera, and leg odometry. The leg odometry is optimized by considering the foot slippage, which easily occurs in soft uneven terrains. Then, the unstructured environment is parameterized and modeled by the terrain inclination, roughness, height, and stiffness. A traversability map, which is essential for robot path and foothold planning in autonomous movement, is constructed with the above parameters. Finally, the proposed method is verified by simulation and experiments. The results show that the quadruped robot can walk stably on different soft and uneven terrains.     

Pose estimation-based path planning for a tracked mobile robot traversing uneven terrains

A novel path-planning algorithm is proposed for a tracked mobile robot to traverse uneven terrains, which can efficiently search for stability sub-optimal paths. This algorithm consists of combining two RRT-like algorithms (the Transition-based RRT (T-RRT) and the Dynamic-Domain RRT (DD-RRT) algorithms) bidirectionally and of representing the robot–terrain interaction with the robot’s quasi-static tip-over stability measure (assuming that the robot traverses uneven terrains at low speed for safety). The robot’s stability is computed by first estimating the robot’s pose, which in turn is interpreted as a contact problem, formulated as a linear complementarity problem (LCP), and solved using the Lemke’s method (which guarantees a fast convergence). The present work compares the performance of the proposed algorithm to other RRT-like algorithms (in terms of planning time, rate of success in finding solutions and the associated cost values) over various uneven terrains and shows that the proposed algorithm can be advantageous over its counterparts in various aspects of the planning performance.     

改进的混合蛙跳移动机器人路径规划算法

为了实现移动机器人在障碍环境中的路径规划,提出一种改进的混合蛙跳算法(SFLA).改进算法在原算法基础上引入交叉操作,并在青蛙更新策略中充分利用学习机制;此外提出了一种带控制参数的产生新个体的方法代替原本的随机更新操作.把路径规划问题转换为最小化问题,基于环境中目标和障碍物的位置定义青蛙的适应度,机器人依次到达每次迭代中最好蛙的位置,从而实现最优路径规划.移动机器人仿真实验中,与基本蛙跳算法和其他智能算法相比,改进算法在规划时间和成功次数上均有很大的提高.实验结果表明了改进算法的有效性.     

提高移动机器人路径规划效率的方法

针对传统遗传算法存在的初始种群数目庞大,寻优效率和收敛速度慢的缺点,提出了一种基于粗糙集约简决策规则和删除冗余属性的方法。首先建立基于特定栅格法的环境模型,获得机器人路径规划的初始决策表,然后根据粗糙集约简推导最小化决策规则,并用于训练初始种群。最后利用遗传算法优化初始种群,获得最优规划路径。分别在简单和复杂的环境模型下进行了实验,仿真结果表明该方法能够大大减小遗传算法初始种群的规模,缩小算法搜索范围,提高遗传算法的收敛速度和寻优效率,验证了该方法的可行性和优越性。     

应用于机器人路径规划的双向时效A*算法

针对时效A*算法为了大幅减少算法时间,导致路径规划长度增加和路径锯齿过多的问题,提出一种改进的双向时效A*算法,该方法将从起点和终点同时运行时效A*算法寻找路径,并采用多近邻栅格距离计算方案;同时,根据不同环境地图对传统A*算法、时效A*算法和双向时效A*算法运行结果进行对比研究及分析;最后,制定算法时间、路径长度两个指标来评判算法的优劣。实验结果显示,双向时效A*算法相对于传统A*算法,算法时间最大减少76.8%,相对于时效A*算法,时间最大减少55.4%,并解决了时效A*算法规划路径距离增加、路径不够平滑的问题。     

基于势场法的移动机器人路径规划仿真研究

针对势场法的障碍物附近目标不可达（GNRON）问题,采用改进斥力势场函数,把机器人和目标的相对距离考虑进去,从而确保目标点为整个势场的全局最小点,使得机器人能够顺利到达目标。针对局部极小引起的陷阱区域问题,提出了增加引导点的方法,使得机器人能够快速走出陷阱区域,向目标点移动。通过仿真实验,还实现了机器人在限定区域内漫游。改进后的势场法适用于复杂环境下的移动机器人路径规划。仿真结果证明了此方法的有效性。     

移动机器人路径规划研究现状及展望

移动机器人路径规划技术是机器人研究领域中的核心技术之一。通过对全局路径规划和局部路径规划中各种方法的分析,指出了各种方法的优点和不足以及改进的办法,并对移动机器人路径规划技术的发展趋势进行了展望。     

Algorithms for rough terrain trajectory planning

This paper deals with motion planning on rough terrain for mobile robots. The aim is to develop efficient algorithms, suitable for various types of robots. On rough terrain, the planned trajectory must verify several validity constraints : stability of the robot, mechanical limits and collision avoidance with the ground. Our approach relies on a static and kinematic model of the robot. Efficient geometric algorithms have been developed, taking advantage of each vehicle's specificities. Motion planning relies on an incremental search in the discretized configuration space and uses efficient heuristics based on terrain characteristic to limit the size of the search space. Simulation results present trajectories planned in a few seconds. The second part takes into account uncertainties to improve trajectory robustness: uncertainties on the terrain model and the position of the robot. The adaptation of the previous algorithms allows us to find robust trajectories, without any excessive time increase.