矿井救援机器人的B样条-APF-BRRT路径规划方法

针对矿井非结构化、形状狭长的地形结构以及传统BRRT算法规划路径曲折、转折点较多等路径质量较差问题，提出一种基于B样条-APF-BRRT算法的矿井救援机器人路径规划方法。首先根据BRRT路径中产生的目标点和矿井环境中障碍物信息，引入APF目标引力的思想，构建人工势场；然后利用Douglas-Peuker算法进行分线段处理，重新提取关键节点；最后使用B样条函数进行光滑拟合获得路径，减少了APF-BRRT算法所得路径的转折点和长度。对B样条-APF-BRRT算法进行实验，结果表明改进算法所获路径转折点和长度都明显优于BRRT算法，在矿井狭窄巷道中，相对于BRRT算法，B样条-APF-BRRT方法产生的路径更加平滑，转折次数减少到9次，路径长度减少了7.73%。     

优化改进RRT和人工势场法的路径规划算法

针对传统快速搜索随机数(RRT)算法在规划路径中随机性较大，搜索效率较低且规划的路径不利于机器人移动等缺点，从3个方向进行改进。首先，对于随机树扩展时随机性较大的问题，将传统的扩展方向加入改进人工势场法约束，使得随机树偏向目标点生长；其次，将改进RRT算法规划的路径进行关键点提取，并优化路径；最后，将优化后的路径按照关键点分段使用改进评价函数的动态窗口法。实验表明，优化改进RRT算法相较于传统A^*算法、传统RRT算法在路径长度、路径规划时间以及拐点等方面效果都更好，融合算法在复杂环境中规划出的路径能够很好地避开障碍物，路径更加平滑且更短。     

基于改进RRT算法的冗余机械臂路径规划研究

针对RRT算法在机械臂路径规划的过程中无方向性,在无障碍物处产生过多无用节点的问题,采用目标偏置、双向分段搜索的策略对RRT算法进行改进,提出了具有导向性的双向分段搜索的改进RRT算法并应用于七自由度冗余机械臂的路径规划上,通过Matlab进行了三维环境路径规划仿真实验,并通过ROS平台进行冗余机械臂在简单环境与狭窄环境的避障仿真实验。实验结果表明,改进的RRT算法能够有效地减少路径的节点数量与搜索时间,并提高路径规划的成功率。     

基于改进RRT的核退役机器人避障方法

核退役机器人工作过程中,传统快速扩展随机树(Rapidly-exploring Random Tree, RRT)路径规划算法缺乏导向性,路径规划效率低,避障能力弱;为此,提出改进RRT路径规划算法,以提高作业效率和准确率。首先,引入目标偏置函数,并提出自适应步长,使RRT路径规划具有导向性,避免陷入局部最优;其次,采用启发式搜索思想,保留优于其父节点的随机搜索点为新节点;最后,修剪路径中的冗余节点,并采用贝塞尔曲线对路径进行平滑处理。在MATLAB平台上进行仿真,结果表明,改进RRT路径规划算法较传统RRT路径规划算法、RRT-connect路径规划算法效率更高,收敛性更强,可以很好地提高核退役机器人的避障能力。     

基于改进RRT结合B样条的机械臂运动规划方法

为解决传统快速拓展随机树(RRT)算法的随机性强，导向性差，规划时间长及寻迹平滑度差等问题，提出一种基于目标偏置策略结合自适应可变步长的改进型RRT算法(PAVS-RRT)。首先，在传统RRT算法基础上设置一个目标偏置阈值，同时引入局部扩展机制避免因改变采样结构而造成的局部最优问题；其次，结合自适应步长策略优化其搜索时间；最后，采用三次B样条函数对所规划路径进行拟合优化。仿真实验中所提算法在保证机械臂成功避障且顺利抵达目标位置的同时，其各关节参数均波动较小且未发生突变，有效降低了机械臂在运动规划过程中的抖振情况。实验结果表明，所提算法较基本算法其平均路径搜索时间提高了73.49%,算法搜索效率及平滑性得到显著改善。     

改进RRT算法的无人驾驶车辆路径规划研究

针对基础快速扩展随机树（Rapidly-exploring Random Trees,RRT）应用于无人驾驶车辆路径规划时缺乏导向性，收敛速度慢，路径平滑性差及规划结果并非最优解等问题，提出了一种基于RRT的路径规划改进算法。首先，设计了启发式采样策略：提出基于权重分配的目标指向的局部扩展方式，解决了节点盲目扩展的问题，避免了因目标偏向而出现路径陷入局部最小值的情况，并通过设置转角阈值约束节点转角范围，同时采用变步长采样策略，提高了算法局部避障能力；其次，对已得路径进行后处理：提出了节点优化策略，并用B样条曲线进行路径拟合，实现了路径长度的优化并满足平滑性要求，路径末端与目标点采用Reeds-Shepp曲线连接，解决了车辆抵达目标点时的航向问题。最后利用Matlab软件，将改进算法与基础RRT及其衍生算法进行了对比分析，验证了所提算法的有效性和优越性。     

基于改进快速搜索随机树法的机械手路径优化

针对多关节机械手路径优化问题,提出一种改进快速搜索随机树(Rapidly-exploring randomtrees,RRT)优化算法.利用标准RRT算法规划初始可行路径,根据路径长度与路径安全性计算出该路径代价.在后期搜索树生长过程中,中间目标点并非随机采样,而是选择能使当前路径代价低于其之前路径代价的节点,同时对该节点进行距离检测,避免产生过于密集的节点集.为加快搜索树向未知区域的扩充速度,从最近节点向中间目标点扩充过程中,采用一种贪婪启发式扩充算法:节点以一定步长循环扩充,直至扩充到达目标节点或产生不连通节点.最后对6自由度检修机械手进行路径规划仿真试验,结果表明相对于标准RRT算法,规划路径的质量得到大幅提高.     

一种IPRRT的机械臂三维路径避障算法

标准RRT(Rapidly exploring random tree)算法进行路径规划时,存在规划时间长、规划路径质量差的问题。针对以上问题,提出一种IPRRT算法（Improved RRT algorithm）,首先通过重选父节点环节策略剔除冗余路段,区域排斥机制剔除冗余节点,缩短规划路径与规划时间;其次采用线段转角限位与评估函数提升路径质量,最后采用三次Hermite曲线对路径进行平滑处理;通过对深海机械臂进行仿真实验,验证了IPRRT算法的有效性。     

工业机器人圆周铺料路径规划研究

针对工业机器人圆周铺料作业需求,研究了现有的避障路径规划方法。分析了末端操作手在凹形障碍物中的自由运动空间,改进了A*算法的估价函数,设计了关于姿态角的估计路径耗费,并将估价函数引入RRT算法中,同时提出了基于RRT思想的A*算法。最后,通过仿真实验验证了改进后算法的可行性,并对比了各算法的执行效率。     

面向方形节点拓扑地图下的移动机器人路径规划算法研究

针对方形节点拓扑地图下的移动机器人的特性,采用了A^*算法来实现路径规划,并对传统的A^*算法进行改进,一是在启发函数中引入了位移和角度2个因素,提高了函数的启发性; 二是引入堆的方法优化了数据结构,提高了列表中代价最小节点的搜索速度。仿真实验结果表明,改进后的A^*算法节点的最短路径节点相对减少,算法效率明显提高,具有良好的可行性和有效性。     

一种面向室内 AGV 路径规划的改进蚁群算法

针对传统蚁群算法在大规模和复杂环境中,全局搜索效率差,收敛速度慢,路径转弯次数过多且不够平滑等问题,本文提出一种改进蚁群算法。该方法通过动态更新不同等级蚂蚁路径上的信息素,加快算法的收敛速度;通过引入距离函数和方向函数作为启发因子,改善路径搜索质量;采用一种改进自适应伪随机转移策略,减小陷入局部最优解的概率;在最优路径的基础上引入三次均匀B样条曲线进行优化,提高路径的平滑性。通过在2种不同规模环境下的路径规划实验表明,本文算法相比传统算法在分别减少55.6%和59.4%转弯次数的基础上,提升87.5%和100%的收敛速度,验证了本文算法的优越性。最后,以QBot2e为平台,将本算法应用到室内自动导引车(AGV)路径规划中,进一步验证了算法的实用性。     

融合改进A^(∗)算法与动态窗口法的机器人避障研究北大核心CSCD

针对机器人在全局未知环境的路径规划中无法进行实时动态避障的问题,提出一种将改进的A^(*)算法与动态窗口法融合的机器人避障方法。首先将传统A^(*)算法3×3搜索领域扩展至5×5搜索领域,并将16个搜索方向进行取舍至9个,同时优化启发函数,通过优化时间复杂度来提升A^(*)算法搜索效率;然后进行冗余节点移除操作,剔除机器人路径中的多余拐点和共线的点;改进后的A^(*)算法较传统A^(*)算法平均减少了65.805%的路径规划时间和4.967%的路径长度。最后将改进的A^(*)算法与动态窗口算法进行结合,使得机器人具有动态避障能力,且保证机器人在局部避障的过程中得到全局路径规划的最优解。     

一种改进蚁群算法的移动机器人路径规划研究

针对蚁群算法在大型、复杂环境下全局搜索效率差且收敛速度慢的问题,提出一种改进的蚁群路径规划算法。该算法通过引入目标方向函数作为启发因子,构建距离与目标方向的融合启发函数,以提高算法的收敛速度;采用一种基于有效拐点的路径优化策略,以减少规划路径的转弯次数;在输出路径的基础上采用三次B样条曲线进行路径平滑处理,以提高路径平滑性。通过梯度实验和2种不同规模对比实验表明,该算法与传统蚁群算法相比,2种规模下转弯次数分别减少41.67%和70.18%,最短路径迭代次数分别减少72.73%和63.24%,验证了该算法的优越性与可行性。     

基于改进 A∗ 算法与动态窗口法融合的 机器人随机避障方法研究

针对机器人在存在随机障碍物环境中采用A~*算法规划路径会出现碰撞或路径规划失败的问题,提出了一种将改进A~*算法与动态窗口法相融合的机器人随机避障方法。在改进A~*算法中,首先优化了搜索点选取策略和评价函数,提高了A~*算法的搜索效率;然后提出冗余点删除策略,剔除路径中的冗余节点,并在每两个相邻节点间采用动态窗口法进行局部规划,确保在全局最优路径基础之上,实时随机避障,使机器人顺利到达目标点。实验结果表明,改进A~*算法较传统A~*算法平均可减少4.39%的路径长度和65.56%的计算时长,融合动态窗口法后,能在全局路径基础上修正局部路径,实现随机避障,验证了该算法的有效性。     

蝴蝶优化算法的移动机器人全局路径规划研究

针对移动机器人路径规划问题提出了一种改进的蝴蝶优化算法。将蝴蝶优化算法与栅格法相结合,并对两种方法结合后的算法进行了具体说明;引入了禁忌表和回溯法,解决了算法在路径寻优中无后续扩展节点的问题;结合三次B样条曲线将路径规划中的最优节点作为控制点进行平滑输出,使移动机器人实际运动路径更加平滑。通过仿真实验,将改进算法与蚁群算法、遗传算法进行比较,证实了改进算法能够有效解决路径规划问题。将改进算法应用到实际的基于ROS的移动机器人上,实验结果证明了改进算法的有效性和可行性。     

基于改进蚁群算法的移动机器人路径规划研究

针对传统蚁群算法在移动机器人路径规划中存在收敛速度慢、易陷入局部最优和规划路径不平滑等问题,提出一种用于移动机器人路径规划的改进蚁群算法。首先在状态转移概率中引入平滑函数,使蚂蚁在进行路径节点选择时,考虑路径的平滑性。然后在对路径信息素更新时,引入多目标评价函数;同时提出一种基于熵权的分段信息素更新方式,每次迭代规划路径按多目标评价函数数值进行排序并分段,对不同的分段,引入不同的信息素强度放大系数,提升了算法的收敛速度。最后对规划路径进行二次优化,即先对路径节点进行优化,减少不必要的转弯节点,减小了路径转弯角度以及路径长度;再利用贝塞尔曲线对节点优化后路径的转弯拐点处进行平滑。在20×20的简单和复杂栅格环境中进行仿真实验,结果表明,改进蚁群算法规划出的路径长度更短、转弯角度更小和路径更加平滑,同时改进蚁群算法的迭代收敛速度更快,验证了改进蚁群算法在移动机器人路径规划中的优越性。     

基于改进快速搜索随机树算法的包裹分拣路径规划算法

针对现有快递包裹分拣系统存在的传输速度慢,准确率低等问题,提出一种改进的快速搜索随机树(RRT)算法.该算法以RRT算法为基础,首先建立了包裹环境模型,引入人工势场法引力分量使节点的扩展更具方向性.其次,对于节点进入障碍物区域需多次重新采样的问题,采用扇形区域法避障以提高算法生成质量,并在路径规划结束后采取二次优化,以...     

提高动态流量软测量实时性的RBF中心优化算法

针对液压伺服系统动态流量软测量模型中神经网络训练精度和训练速度难以同时提升的问题,引入减聚类(SCM)算法将原训练样本集映射成初始径向基函数(RBF)中心集,并确定基函数宽度;利用敏感性分析算法(SenV)对基函数的中心进行优化,从而减少神经网络隐层节点数目;在根本上为同时提升神经网络训练精度和训练速度提供保障.实验表明,神经网络的隐层节点数可降低至少30%.     

基于改进A算法的AGV路径规划研究

针对传统A?算法在AGV路径规划中存在遍历节点数和转弯次数较多问题,提出一种基于启发函数改进A?算法.该算法采用加权曼哈顿距离作为启发函数,使得距离估计成本更接近最短距离,以减少算法遍历节点数;另外,在算法启发函数中引入转弯修正代价参数,从而减少路径转弯次数.MATLAB软件仿真实验结果表明,较传统A?算法,基于启发函数改进A?算法在AGV路径规划中能有效减少遍历节点数和路径转弯次数,提高AGV路径规划中路径搜索效率和路径平滑性.     

基于三次B样条的移动机器人实时轨迹规划研究CSCD

基于B样条曲线生成的轨迹曲线具有几何不变性和连续性等优点,被广泛应用于数控机床设备或机器人的轨迹规划算法中,然而传统的轨迹规划基本上是在离线的情况下进行的,即所有的型值点已知,或者控制点已知,然而这种方法很难运用到移动机器人的轨迹规划中,此外如果简单地将B样条轨迹规划方法应用于移动机器人的轨迹规划,即通过给定控制点,进行插补生成一条新的轨迹曲线,但是这种方法通常不会经过所有的控制点,这样会导致实际运行路径与规划的路径有偏差,提出了一种基于三次B样条的移动机器人实时轨迹规划算法,在移动机器人的运动过程中能够实时生成插补点,不需要预先输入所有轨迹点(型值点),并利用反求控制点算法保证机器人能够经过所有的(型值点),从而保证机器人既能经过所有预先规定的点又能保证机器人运行的连续性和平稳性,通过仿真验证了其有效性。