基于采样空间约束的改进RRT算法

由于水下环境比陆地环境复杂，在进行机器人水下路径规划时，利用传统算法规划的路径质量较差。为此，提出一种基于采样空间约束的改进快速扩展随机树(RRT)算法。首先，提取边界点，通过凸包算法划定障碍范围；其次，利用膨胀算法对划定的范围做区域膨胀，对采样空间进行约束；最后，通过对随机节点的四个特征进行计算，确定采样点的概率，为采用点的选择提供导向性，缩短因采样空间过大而导致过长寻路时间，提高路径质量。通过在PyCharm环境下的仿真实验对比RRT算法、RRT^*算法和改进后的RRT算法，实验结果表明改进的RRT算法各项性能均优于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。     

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.     

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。     

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.     

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。     

基于运动约束的泛化Field D*路径规划

为了解决基于栅格的路径规划算法因环境描述的离散化导致规划结果不能满足机器人运动约束,以及单一路径代价的局限致使算法无法适用于复杂环境的问题,提出一种基于运动约束的泛化Field D*算法.该算法的代价函数可同时考虑路程、行驶安全以及行驶时间等一个或多个行驶代价.根据机器人运动模型的特性,在路径点提取过程中结合机器人的最小转弯半径,进行满足运动约束的路径平滑.该算法在多组模拟的复杂环境栅格地图中进行测试,实验结果表明,算法对复杂环境有很好的适应性,同时有效提高路径的可执行性.     

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。     

自适应萤火虫算法改进蚁群算法的移动机器人路径规划

针对传统的蚁群算法在解决移动机器人路径规划问题时存在收敛性差、搜索速度慢、过于依赖参数选择等问题,提出一种自适应萤火虫算法改进蚁群算法的混合算法。首先,在蚁群算法基础上引入萤火虫算法,对蚁群算法的核心参数进行优化;其次,针对两种算法混合后时间开销大的问题,引入精英策略和承接式相结合的信息素更新方式,并对萤火虫算法的步长因子进行自适应设计,以提高整个混合算法的求解效率和求解精度;最后,在不同的栅格环境下进行路径规划仿真实验。结果表明,混合智能算法较传统蚁群算法综合效果有明显提升。     

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.     

移动机器人路径动态规划有向D*算法

针对传统D*路径规划算法搜索效率低、成本较高的问题,提出有向D*算法. 该算法考虑目标点与障碍物信息,引入关键节点概念,逐级扩展确定可行路径,并且引入导向函数以控制单次搜索的节点搜索范围来提高搜索效率;在原欧几里得评价指标的基础上引入路径平滑度函数对偏移路径进行惩罚,避免机器人无效转弯而增加移动成本;通过路径平滑度函数中的“转弯因子”协调路径长度与平滑度之间的关系,给出路径平滑度函数的分段原理与转弯因子的确定方法,并对算法收敛性进行证明. 在不同环境下的仿真实验表明,该算法较传统算法能更好地兼顾局部搜索与全局最优性,尤其适用于障碍物较多的复杂环境.     

采用嵌入时空距离的混合蚁群算法求解一类受限车辆路径问题（英文）

本文研究了共享出行背景下一类受限车辆路径问题,该问题以用户订单为核心,每个订单具有预约时间限制以及起始点、目的地两个位置点转换,是典型的具有时间、空间双重约束的扩展车辆路径问题。根据该问题特征,我们建立了以运营成本最低和用户体验度最高为目标的路径规划模型。为更精确地求解模型,根据用户的时间和空间属性定义了时空距离表示函数,进而提出一种嵌入时空距离的混合蚁群算法。该算法可分为两个阶段,首先通过时空聚类,以用户之间时空距离为主要衡量指标对用户进行分类,为问题求解提供启发式信息;其次结合劳动分工策略和时空距离函数,提出一种改进蚁群算法进行优化求解,以得到最终调度路线。基于现有数据集和实际城市环境的仿真案例进行数值实验。与其他启发式算法相比,该算法将基准实例中求得的最短路径长度降低2%–14%;与其他现存路径规划算法相比,该算法在测试实例上求得的综合成本更有竞争力。最后,利用两个实际的城市环境仿真案例进一步验证了所提算法的有效性。     

一种改进蚂蚁算法的无人机多目标三维航迹规划

传统的标准蚂蚁算法及A*算法求解无人机多目标三维航迹规划存在需设置导航节点及构建VORONOI图等缺陷,针对这一问题,提出了一种改进的蚂蚁算法.该算法将导引因子引入到状态转移策略中,减少了蚂蚁局部搜索的盲目性,确保蚂蚁形成有效航迹,解决了将该算法应用于航迹规划的两个构造难题,即航迹节点不固定和局部搜索难以到达目标节点这两个难题.将雷达、导弹、高炮及大气威胁模型的最大作用距离和有效作用距离等约束条件引入代价函数及启发因子计算中,解决了航迹规划多约束求解困难等问题.仿真结果表明,该算法构造合理,蚂蚁算法无需导航节点及VORONOI图便可自主寻找到目标节点,且收敛速度满足航迹规划要求,生成的航迹代价较小.     

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.     

带软时间窗车辆路径问题的求解算法研究

针对带软时间窗车辆路径问题难以使用精确算法求解的问题,设计了一种基于爬山遗传混合的智能启发式算法来对带软时间窗车辆路径问题进行求解,并构建该混合算法相应的算法程序与爬山、禁忌搜索、模拟退火、遗传4种基本智能启发式算法进行标准数据对比测试。测试结果表明,该混合算法用于求解带软时间窗车辆路径问题具有计算效率高、计算结果稳定的特点。     

多阶段区间模糊决策问题的λ模糊启发式搜索算法IFDA^＊

提出了多阶段区间模糊决策问题的自底向上的λ模糊启发式搜索算法IFDA^*,并证明了只要启发式估价函数h可采纳,则IFDA^*算法亦可采纳,且定能找到具有最小耗散的最佳决策序列,对于可采纳启发式估价函数h通常难以设计这一问题,提出了启发式估价函数的渐进式学习算法Learning-h。证明了通过IFDA^*算法的大量解,Learning-h算法能以概率为1使启发式估价函数学习并收敛为可采纳的启发式估价函数。