未知环境中基于强化学习的移动机器人路径规划

为解决未知环境中移动机器人的自适应路径规划问题,提出了一种基于Q学习算法的自主学习方法。首先设计了未知环境中基于传感器信息的移动机器人自主路径规划的学习框架,并建立了学习算法中各要素的数学模型;然后利用模糊逻辑方法解决了连续状态空间的泛化问题,有效地降低了Q值表的维数,加快了算法的学习速度;最后在不同障碍环境中对基于Q学习算法的自主学习方法进行了仿真实验,仿真实验中移动机器人通过自主学习较好地完成了自适应路径规划。研究结果证明了该自主学习方法的有效性。     

蚁群遗传算法在移动机器人路径规划中的综合应用研究

针对基本蚁群算法在机器人路径规划搜索初期盲目性大、效率低以及其搜索后期容易陷入局部最优等缺陷,把遗传算法引入到蚁群算法中,提出了基于蚁群遗传算法的移动机器人路径规划方案,在栅格环境下对移动机器人路径规划方案进行仿真测试,仿真结果表明该方案能减少蚁群算法搜索初期的盲目性、缩小最优路径的查找范围,提高搜索最优路径的效率。     

未知环境的移动机器人路径规划研究

为了提高移动机器人在未知环境中的路径规划的性能,提出了改进人工势场法.首先分析了传统人工势场法的优缺点,据此,提出了一种由模糊智能控制与改进人工势场法相结合算法.由模糊算法对静态障碍物进行避障,并改进引力函数将目标点速度、加速度信息加入其中对目标点进行跟踪,从而实现自动避障和路径规划.通过实验仿真对比可知,此算法在存在...     

基于AGA-WOA算法融合的移动机器人路径规划

传统遗传算法的缺陷在于搜索过程耗时较长,容易出现局部最优解.为解决这一问题,本文提出改进适应度函数的方式对遗传算法进行改进,并将鲸鱼优化算法与改进后的遗传算法结合.AGA-WOA融合算法利用鲸鱼优化算法提高遗传算法算子的优良性,可降低搜索范围,降低传统遗传算法的工作量,尽力规避出现局部最优解的情况.     

改进ACO在移动机器人路径规划中的研究

针对基本蚁群算法(ACO)易陷入局部最优和收敛速度慢的特点,提出了一种在复杂静态环境下移动机器人路径规划的蚁群优化改进算法。该算法通过限制信息素的范围,扩大了搜索范围,避免了算法的过早收敛,同时还提出了一种自适应调节信息素挥发系数的改进蚁群算法方略,旨在通过自适应的调整信息素挥发系数来提高算法的全局性和算法的收敛速度。算法还利用粒子群优化算法对蚁群算法中的关键参数进行优化,从而避免了参数选择的随机性和盲目性,提高了最优路径的搜索效果。仿真结果显示,改进蚁群算法在移动机器人路径规划中的有效性和普遍应用性,在任意随机给定的环境中,算法能够迅速找出最优路径。     

A~*算法在移动机器人路径规划中的应用

采用A*算法对已知环境中的移动机器人路径规划问题进行研究。利用栅格法建立环境模型,然后对节点的选择进行分析,最后通过MATLAB仿真。仿真结果表明算法能找到一条从起点到终点的较优路径,验证了算法的有效性。     

改进遗传算法在移动机器人路径规划中的应用研究

针对基本遗传算法解决移动机器人路径规划问题存在收敛速度慢等不足,对遗传算法进行了改进,提出了一种改进自适应遗传算法。根据进化过程中个体适应度值的大小自动调节交叉概率和变异概率,从而使算法能够跳出局部最优解,克服早熟的缺点。同时采用栅格法对机器人工作空间进行建模。对移动机器人路径规划进行仿真实验,对比结果表明:该改进的遗传算法是有效可行的,能够有效的提高机器人路径规划的质量。     

基于多传感器信息融合的移动机器人路径规划

移动机器人是机器人技术的一个重要领域,是一个集环境感知、动态决策与规划、行为控制与执行等多种功能于一体的综合系统。动态未知环境下的移动机器人路径规划必须基于多传感器信息融合来获得对环境的理解或映射。本文就国内外移动机器人发展现状、多传感器数据信息融合方法及移动机器人路径规划进行了概述。     

改进蚁群算法在移动机器人路径规划中的应用研究

移动机器人作为智能化发展的重要产物之一,为人们提供扫地、擦地、擦窗户等服务.此类型机器人在移动路径规划上尚存在一定提升空间.为了改善机器人移动路径规划精度,加快路径搜索收敛速度,在传统蚁群算法基础上,采用蚂蚁相遇方法,在保留蚂蚁遍历路径记忆能力的同时,对算法路径搜索、路径选择、挥发系数进行改进.经过仿真分析验证改进后,算法收敛性能及路径规划性能得到提升.     

一种移动机械手分级协调路径规划方法

针对移动机械手的动态不均匀性及运动冗余性，参考人类完成任务时的行为，本文提出了一种分级协调路径规划法，以及一种动态加权的优化策略，对移动机械手的路径进行离线规划。在避障的前提下保证了移动机械手性能指标最优。在VCV 下通过OpenGL进行了仿真，取得了令人满意的结果。     

基于四边形的移动机器人全局路径规划方法

提出用四边形轮廓代替障碍物真实轮廓,首先进行粗略路径规划,得到一条由直线组成的最优路径,然后沿边连接得到真实路径。在起始点或目标点在四边形内部的情况下,采用短边优先来脱困。该方法具有图像预处理方便,规划出的路径精细且路径规划所用的时间少。     

基于改进蚁群算法的移动机器人全局路径规划

为提高机器人全局路径规划的通用性,将机器人的环境地图分为目标点在障碍物内和障碍物外两种情况,采用了伪随机比例规则和随机选择机制,使蚂蚁下一节点的选择在倾向于目标点的同时又不会陷入局部最优解,既提高了蚂蚁的搜索效率又扩展了搜索范围,并采用最大一最小蚂蚁思想来限制信息素的强度以防止早熟收敛现象的发生。为提高算法的实用性,运用几何方法对路径进行了修正处理,实现了机器人的快速全局路径规划。仿真研究表明：该算法具有较强的通用性、实用性和路径较优的特点。     

一种有效的地图创建方法和机器人的路径规划

介绍了一种新的移动机器人基于多边形的地图创建方法(三角形法)和在此基础上的基于遗传算法的移动机器人路径规划算法,并进行了仿真试验。三角形法是在可视图法的基础上,通过删除冗余的地图信息而得到的一种更加精简更能清楚表现障碍物之间关系的地图创建方法。在此基础上实现遗传算法路径规划,通过快速的迭代便能够找到最优的路径。     

未知环境下移动机器人实时模糊路径规划

针对机器人在未知环境下避障的要求,设计了一个结合目标点位置信息和局部障碍物信息的评价函数实时导航算法,使机器人可以在无碰撞的情况下较快地到达目标点。该算法以二维激光雷达作为探测环境的主要传感器,采用基于行为的控制策略及模糊控制器技术,通过添加自由出口提高其路径搜寻的效率,最后为了验证此模糊路径规划方法进行了仿真实验。仿真实验结果表明,该算法具有良好的效果,机器人可以有效避障,且轨迹平滑、实时性好。     

基于方向选择的移动机器人路径规划方法

针对快速行进树算法(FMT*)在逐层递归扩展中产生的冗余探索问题,提出一种基于方向选择的快速行进树算法(DS-FMT*).该算法首先对拟扩展样本的四周产生均匀分布的方向选择线,判断周围的障碍物情况并选择有利于扩展的方向作为候选探索方向.随后将拟扩展到下一样本的实际探索方向与候选探索方向做比对,若实际探索方向与候选探索方...     

移动机器人在线实时路径规划

研究了不确定环境下移动机器人的路径规划问题。采用全局规划和局部规划相结合的方法，提出了一种基于极坐标空间，以期望方向角为优化性能指标的在线实日寸路径规划方法。该法利用机器人的传感器系统，实时探测局部环境信息，在每次的局部规划窗口，确定机器人的期望方向角，以机器人的实际运动方向角与期望方向角之间的差异来驱动机器人避开障碍物和朝向目标点运动。该法不仅简单灵活，而且克服了全局规划和局部规划的缺陷。仿真实验表明其有效可行性、实时性、优化性、精度高、稳定性好。     

基于混合智能算法的三自由度移动机器人的路径规划

基于最近优先(best-first)算法和遗传算法,提出了一种路径规划的混合智能算法。首先,基于最近优先(best-first)算法进行路径点搜索,当遇到局部极小点时,采用遗传算法进行局部极小点的逃离。该混合智能算法成功地应用于三自由度机器人的路径规划中,仿真实例表明该方案的可行性与有效性。     

A robot fuzzy motion planning approach in unknown environments

A fuzzy robot motion planning approach is proposed in unknown environments for three-degree industrial robots. The proposed planning system is composed of several separate fuzzy units, which control individually each manipulator joint. Each unit combines a repelling influence, which is related to the nearby obstacle, with the attracting influence produced by the final manipulator configuration, to generate actuating command for each link. Effectiveness of the proposed approach is verified through simulation. __________ Translated from Journal of Harbin Institute of Technology, 2005, 37(10) (in Chinese)