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A*

针对二维栅格地图下,移动机器人以最短路径遍历所有目标点的路径规划问题,提出一种基于启发信息扩展节点的 A*     

基于Floyd算法的移动机器人最短路径规划研究

最短路径规划是一种点对点的路径规划方式,移动机器人最短路径规划研究即是实现始点和终点间最短路径规划问题的研究.首先采用栅格地图的方式对移动机器人工作环境建模,在建模的基础上,以垂线法方式选择移动机器人路径中的关键节点,确定关键节点的位置和权值关系,并根据所选节点,基于Floyd算法进行移动机器人的最短路径规划,以及对规划的路径算法进行简化改进,通过实验证明,改进的Floyd算法能实现移动机器人路径的最短和用时的相对减少.     

基于A*算法和人工势场法的移动机器人路径规划

针对复杂非结构化环境下移动机器人的路径规划问题,提出了将全局与局部规划算法相融合的路径规划方法。首先,对传统A*方法进行了有效的改进,新的A*算法能够完成机器人的路径规划任务,利用二次A*搜索方法得到了优化后的路径点,缩短了移动机器人的行驶路径。进一步,动态切点法可以有效地对已规划路径进行平滑处理;然后,综合考虑路径和环境的情况,采用改进的人工势场方法对移动机器人进行了局部路径规划,通过增设虚拟子目标的方法解决局部极小值问题,利用自适应步长调节算法对移动机器人的步长进行了动态优化;最后,针对不同场景,利用数值仿真将该算法与传统算法进行比较,结果表明该算法在不同环境路径规划的问题上具有一定的先进性和优越性。     

基于改进A^*势场法的机器人动态路径规划研究

针对人工势场法在路径规划中出现的目标点不可达、转折次数多及路线较长的问题,提出了一种动态环境下移动机器人全局路径规划的改进A^*势场算法。首先采用A^*算法在已知静态环境中进行全局最优路径规划,当移动机器人进入动态障碍物影响范围ρ0时,引入相对速度势场对人工势场法进行改进,进行局部动态路径规划,追踪沿A*路径运动的虚拟动态目标直至回到原路径,完成到达目标点的路径规划。将该算法与人工势场法通过MATLAB进行路径规划仿真比对,结果验证了该算法的可行性,并且有效减少了路径的震荡和累计转角,同时明显缩短了全局路径距离。     

基于双层A*算法的移动机器人路径规划

移动机器人导航控制理论和方法的研究,是决定智能移动机器人能否真正实现自主化、智能化的关键,一直以来也是机器人技术领域研究的重点和热点。A*算法作为一种比较成功的算法应用在了机器人的路径寻优和规划方面,但由于A*算法本身的计算特点决定,在栅格环境下A*算法规划出的移动机器人路径往往存在着折线多、转折次数多、累计转折角度大等问题。针对A*算法的缺点和不足,在其基础上,提出了一种双层A*算法,该算法将栅格地图分为高层栅格地图和低层栅格地图,对栅格地图进行了"局部合并地图"的构建,在算法中加入了栅格占据概率函数,通过低层与高层算法相结合得到最优路径。仿真结果表明在很大程度上解决了A*算法存在的问题,使移动机器人能够在复杂环境下应用该算法进行路径规划。     

适于双轮差速机器人运动的光滑A算法

在智能移动机器人的定位和导航系统中,路径规划是其中的核心问题。传统的A*算法是一种基于栅格的最小路径方法,通过这种方法得到的路径与实际中的最小路径相比,存在路径长、多拐点、不平滑等缺点,不利于双轮差速机器人的运动。在这里,利用Floyd算法将A*算法进行优化,缩短A*算法得到路径的长度,降低A*算法的拐点,利用圆弧平滑方法将拐点处进行光滑处理,最终得到一条适合双轮差速机器人的行驶路线,降低路径长度约4%~10%,减少累计转折次数约66%~80%。     

用于无人车路径规划的改进A*算法

针对传统A*算法规划的路径存在路径长度较长、拐点数量较多和转折角度较大等问题,提出了一种用于无人车路径规划的改进A*算法.首先在传统A*算法的基础上考虑转弯成本并融入预判断规划策略,规划出一条初步路径;然后采用冗余拐点剔除策略优化初步路径,获得一种更优的无人车行驶路径.对传统A*算法、考虑转弯成本并融入预判断规划策略的A*算法和改进A*算法进行仿真对比.结果 表明:改进A*算法规划出的路径长度更短,拐点数量更少,转折角度更小,路径更加平滑.     

基于Voronoi图法的移动机器人路径规划

研究了一种在随机静态环境条件下移动机器人的路径规划方法.在环境地图信息的基础上,运用Voronoi图理论,建立了移动机器人运行的无碰撞路径网络.按特定的算法将给定的移动机器人起始点和目标点连入该路径网络,然后采用Dijkstra最短路径搜索算法,找出一条从起点到终点的最短路径.最后控制机器人沿着找到的最短路径运行到目标点位置,实现移动机器人的智能避障.整个系统以TI公司生产的TMS320LF2407A型号数字信号处理器(DSP)为控制器的核心.     

融合TEB与Stanley的移动机器人路径规划控制算法

移动机器人根据TEB(timeelasticband)算法优化求解出轨迹点序列，然后通过时间差分计算移动机器人所需的控制量，这种方式在实际应用时由于速度与角速度的频繁跳变，导致对阿克曼底盘移动机器人的运行控制不佳、转向不平稳等问题。为了改善控制效果，将TEB下发的移动机器人控制量进行了改进，融合Stanley算法考虑机器人实际位姿与最优轨迹点之间的航向误差与横向误差，定义基于误差的非线性比例函数来求解移动机器人实时跟踪的控制率，以此设计移动机器人的运动控制器，并搭建基于ROS平台的路径规划控制模块进行仿真和实车测试，实验结果验证了所设计融合算法的有效性，可以实现阿克曼形式的底盘移动机器人可靠、平稳的路径规划和运动控制功能。     

平滑ARA~*算法在智能车辆路径规划的应用

A~*算法是一种经典的启发式搜索算法,广泛应用于智能车辆的路径规划问题。但A~*算法效率低,不具有实时性。针对A~*算法的缺点,改进得到一种高效、实时的路径搜索算法ARA~*,ARA~*算法首先在一个松弛的约束条件下快速搜索到一条次优路径;然后在规划时间内逐渐加强约束条件,利用已搜索过的节点信息连续改进次优解,直到找到最优解或规划时间结束。其次,针对ARA~*算法得到的路径存在折线多、转折次数多等问题,对ARA~*算法得到的路径进行基于关键点的平滑处理。给出了平滑ARA~*算法流程,分析对比了各自的特点,通过栅格地图路径规划的MATLAB仿真结果验证了理论分析,同时仿真结果也说明平滑ARA~*算法的高效性、实时性。     

基于A~*算法和三次样条的工业机械臂路径平滑性研究

为提高工业机械臂运动的平滑性,提出了一种基于A*算法和三次样条函数的路径规划方法。首先建立空间障碍物3维模型,应用A*算法规划出在障碍物环境下的可行路径。然后以该路径的关键节点,建立三次样条插值函数,生成平滑的机械臂避障路径。最后通过实例对关节不同时刻的位移、速度、加速度的仿真和对比,结果验证了该方法的有效性。     

基于改进A*算法的AGV路径规划

自动引导小车(Automatic Guided Vehicles,AGV)广泛应用于物流自动化系统,针对AGV的路径规划问题,提出了一种改进的A*算法,该算法引入转弯因素,使规划的AGV路径更加平滑;并充分利用求解的最短路径信息,采用一种删除边的算法来求解k次短路径问题;实例仿真证明了改进的A*算法的可行性,通过与其他求解k次短路径问题的算法进行对比,证明删除边的算法简单、可行。     

基于改进Voronoi图的移动机器人在线路径规划

针对移动机器人在部分环境信息已知下的路径规划问题,运用Voronoi图理论及动态路径最优算法(D*算法)理论,研究了一种基于传感器信息的移动机器人在线路径规划的方法.该方法利用现有的已知环境信息离线生成路图,并根据起点与终点的位置规划出一条无碰撞的全局最优路径,然后移动机器人沿着最优路径前进,安装在机器人上的传感器不断地探测环境新信息以在线完成路图的重构及路径的重规划,实时搜索一条全局最优路径.最后,通过在自制的小车平台上的实验证明方法的可行性.     

动态环境下果园移动机器人的路径规划研究

为了实现移动机器人对可移动障碍物的避让,提出一种改进的蚁群算法,该算法通过建立方向夹角启发因子,使得蚂蚁尽量选择夹角小的节点作为下一节点,提高了最短路径搜索速度;引用了较复杂的对角线距离的倒数作为新的启发式因子,因该距离公式无需进行平方根运算,求解简单,再一次提高了搜索效率。并将其与A*算法相结合,来实现与动态障碍物的避让。试验结果表明,改进后的蚁群算法与原蚁群算法在同等最短路径的情况下,前者搜索最短路径的速度是后者的3倍,可以实现移动机器人在复杂环境下的动态避让。     

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。     

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。     

并行排序蚁群算法规划仓库AGV路径研究

针对智能仓库中的AGV路径规划问题,提出了一种基于并行排序蚁群算法的路径规划方法,该方法通过多个子蚁群之间较优蚂蚁释放的信息素交互,提高蚁群整体的搜索能力.建立以路径最短和AGV转弯次数最少为优化目标的多目标函数模型,用并行排序蚁群算法求解,再对生成的初始路径通过减少中间节点的方式进行平滑处理.在MATLAB上进行多次...     

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。     

基于运动约束的移动机器人路径规划

针对A^*算法路径规划中存在的转折冗余、安全性低、不符合移动机器人非完整约束模型等问题，提出一种基于运动约束的路径规划算法。首先，通过挪移处理使A^*算法规划的路径点适度远离障碍物。然后，剔除无障碍路径点间节点，获取路径必经转折点。最后考虑机器人运动约束，以转折点位姿为局部目标，引导混合A^*二次规划路径。实验结果表明，改进算法比传统A^*算法提高了65%的安全距离，无冗余转向，路径具有位姿连续性，可以保证机器人的平稳、高效、安全的移动。