自主式水下机器人全局路径规划的基于案例的学习算法研究

本文讨论了基于案例的学习方法在水下机器人全局路径规划中的应用问题．基于案例的学习方法是一种增量式的学习过程，它根据过去的经验进行学习及问题求解．本文对基于案例的学习方法在规划中的应用框架进行了初步研究，对案例属性的提取，案例的匹配和择优，以及案例库的更新等问题提出了相应的算法．最后给出了几组仿真结果．     

基于势场法的水下机器人全局路径规划研究

本文阐述了用势场法进行矩形状机器人全局规划的方法，首先针对凸形障碍物确定了势函数的形式，然后利用最小势谷算法，把机器人的工作空间用图来表示，利用搜索算法到了全局路径，最后在微机上对算法进行了仿真，给出了仿真结果。     

基于数字海图的自主水下机器人路径规划研究

为了解决远程自主水下机器人（LAUV）路径规划问题，提出一种基于数字海图的路径规划算法．该算法对传统人工势场法进行了有效改进，克服了传统人工势场法固有的缺点和不足，可以用于LAUV离线和在线路径规划．其有效性已在半物理实时仿真平台上得到了验证．     

水下机器人三维路径规划

本文提出了基于八叉树区域分别环境建模方法，在此基础上，利用A算法解决了静态环境的三维路径规划，并对规划出的路径进行了三维修正，使其满足机器人轨迹跟踪的要求，另外，以八叉树环境建模基础，对动态环境下的三维路径规划进行了研究。     

一个水下机器人路径规划系统的实现

我们用层次结构表示水下环境数据，以动态规划算法为核心，实现了一个水下机器人路径规划系统，本文介绍该系统的设计思路及路径规划的实现。     

基于改进粒子群算法的水下机器人路径规划研究

针对水下机器人在路径规划中遇到的约束条件复杂、寻优算法性能不稳定、路径不平滑等问题,文章提出了一种基于改进粒子群算法的水下机器人路径规划方法。首先,基于函数模拟法构建水下地形及障碍物环境;其次,在优化目标设计方面,从减少能耗的角度出发,文章在传统路径长度最短的基础上,又增加了对水下机器人姿态角度变化以及转向节点位置分布均匀性的优化,以进一步适应实际情况;然后,分析了粒子群算法中惯性权重对算法性能的影响,引入了改进措施,以提高算法的寻优性能;最后,将计算出的初始路径采用B样条曲线进行平滑处理,得到最终的机器人运动规划轨迹。仿真实验结果表明,文章所提路径寻优方法相较于传统蚁群算法和粒子群算法,综合能耗分别降低了56.6%和19.3%,在求解能力和收敛性上也表现出了更优的性能。     

基于蚁群模拟退火算法的水下机器人路径规划

全局路径规划是水下机器人(AUV)研究领域的重要课题之一,文中研究已知障碍物环境条件下的水下机器人路径规划问题;提出一种分布路径规划方法,首先建立移动机器人路径规划的数学模型,介绍了蚁群算法、模拟退火算法的原理,然后考虑到蚁群算法搜索时间较长,易出现停滞现象的缺点,提出蚁群模拟退火算法来解决大范围海洋复杂环境下水下机器人的路径规划问题;通过仿真实验,表明所提算法有效,并且计算简单、收敛速度快,能够满足水下机器人导航的要求.     

水下机器人路径规划系统及算法改进

本文介绍了某水下机器人的路径规划系统的结构，针对水池的工作环境，对已有的路径规划算法进行了改进，水池试验结果表明该智能水下机器人路径规划算法正确，路径规则系统运动可靠。     

动态补偿的水下机器人路径规划

本文研究水下机器人在障碍位置未知条件下,进行路径规划的方法,使自治水下机器人以最短的行程距离,避开障碍,达到预定目标.针对变化的、复杂的海洋情况,本文采用动态与静态相结合、规划与控制相结合的手段,应用人工势场理论,引入距离误差做动态反馈补偿,实现全局规划控制.本文提出的这种适于自治水下机器人导航的动态路径规划-控制方法,可以解决障碍环境参数已知、未知的路径规划问题.仿真结果表明该方法具有较强的稳定性和适应性.     

自主式水下机器人（AUV）水下典型路径的建模和动态路径的优化

对于ＡＵＶ，动态路径规划有许多策略。不论是在仿真环境，还是在水下，为了检验仿真算法的正确性和ＡＵＶ水下机动能力，需要一种全面的检测方法。对此本文提出了典型路径的思想，并考虑到障碍物与ＡＵＶ相对体积的大小，用动态策略进行动态路径的优化，进行了仿真验证，结果令人满意。     

遗传算法在水下机器人路径规划中的应用

提出一种分层路径规划算法来解决大范围海洋环境下的智能水下机器人(AUV)的全局路径规划问题。该算法将机器人的工作空间分层分解,并在每一层搜索路径,最终得到一条与障碍物无碰的全局路径。同时为解决算法的全局最优问题,使用遗传算法在每一层搜索路径。实践证明,该方法具有灵活、实用的特点,并能显著的节省内存空间。     

基于Q学习的水下滑翔机路径规划方法

针对水下滑翔机路径规划问题，提出了一种基于Q学习的水下滑翔机路径规划方法。考虑到水下滑翔机在执行一些特定任务时会提前给定俯仰角及深度参数，且航向角选择范围通常是几个离散角度值，本文针对典型的几种俯仰角情况分别设计了航向动作选择集，这避免了Q学习方法“维数爆炸”问题。根据水下滑翔机航程最短的目标和障碍物外部约束条件，设计了奖励函数与动作选择策略。相较于传统路径规划方法，本文提出的方法不需要提前知道环境信息，而是在学习过程中根据环境的反馈选择最优动作，因此该方法在不同的环境条件下有优良的迁移能力。仿真结果表明，该方法能在未知环境中为水下滑翔机规划出规避障碍且航程短的路径。     

基于主从结构的多水下机器人协同路径规划

关于多水下机器人协同路径规划问题,是多水下机器人协同控制的重要研究内容之一,是一种典型的含多个约束条件的组合优化问题.针对多机器人协同路径规划因约束条件多导致算法复杂度高、耗时、求解困难等问题,提出了一种主从结构的并行多水下机器人协同路径规划算法.进化过程的每一代,子层结构应用粒子群并行算法,生成各架机器人当前的最优路径,同时,主层结构应用微分进化算法实时给出当前考虑机器人与障碍物、机器人与机器人之间避碰情况下,总系统运行时间最短的路径组合方案.上述结构将多约束分解到不同层面,有效地降低了单层结构因过多的约束条件计算时间过长以及不易实现等困难.仿真结果表明,上述算法不仅能在静态环境下生成可行的、优化的组合路径,而且在当障碍物随时间随机移动的动态环境下,也表现出可行的、良好的效果,为求解多水下机器人协同路径规划问题提供了一个高效的解决方案.     

基于改进蚁群算法的机器人全局路径规划研究

针对蚁群算法在机器人路径规划过程中出现的收敛速度慢的缺陷,提出了基于改进蚁群算法规划机器人全局路径,在栅格地图中划定优选区域,并建立新的初始信息素浓度设置模型,对各点初始信息素浓度进行差异化设置,避免寻优的盲目性,提高了算法的收敛速度。实验结果表明,改进后的蚁群算法的收敛速度明显加快,优于传统算法,表明了该算法的有效性。     

基于蚁群算法的机器人路径规划问题研究

该文将蚁群算法运用到机器人全局路径规划上,主要针对蚂蚁算法在搜索路径过程中落入障碍物陷阱而造成算法停滞的现象,提出了改进策略,同时基于对机器人所处环境的表示方法及算法中对应问题的描述和定义的研究,对相关参数进行了改进探讨。通过对算法的改进,增强了机器人的蚁群算法在复杂环境路径规划下的适应能力。     

不确定海流环境下水下机器人最优时间路径规划

为解决海流预测不精确条件下,现有基于确定性海流路径规划算法鲁棒性差和规划的路径有可能为不可行路径的问题,本文提出一种基于区间优化的水下机器人(AUV)最优时间路径规划算法.该算法采用双层架构,外层用蚁群系统算法(ACS)寻找由起点至终点的候选路径;内层以区间海流为环境模型,计算候选路径航行时间上下限,并分别通过区间序关系和基于可靠性的区间可能度模型将航行时间区间转换为确定性评价函数,并将评价函数值作为候选路径适应度值返回到外层算法.仿真结果表明,相对于确定海流场路径规划方案,提出的方案增强了路径规划器的鲁棒性并解决了结果路径不可行问题.     

基于蚁群算法的机器人路径规划

针对移动机器人规避障碍和寻找最优路径问题,提出了在复杂环境下移动机器人的一种路径规划方法.采用了栅格法建立了机器人工作平面的坐标系,整个系统由全局路径规划和局部避碰规划两部分组成.在全局路径规划中,用改进蚁群算法规划出初步全局优化路径;局部避碰规划是在跟踪全局优化路径的过程中,通过基于滚动窗口的环境探测和碰撞预测,对动态障碍物实施有效的局部避碰策略,从而使机器人能够安全顺利的到达目标点.仿真实验的结果表明了所述方法能在较短时间内找到最佳路径并规避障碍.     

基于混合灰狼算法的机器人路径规划

针对传统灰狼算法GWO优化精度低、易陷入局部最优等不足,构建了混合灰狼算法HGWO,并将其应用于机器人路径规划RPP问题。HGWO算法采用反向学习方法构建初始灰狼种群,力求提升初始解的质量。同时,算法在个体位置更新方法中融入自身历史信息以指导种群进化,并借助精英反向学习策略探索当前种群优秀解的反向解空间,以增强算法的勘探能力。为确保路径规划的精度并降低求解难度,利用Spline样条插值法拟合路径曲线。最后,进行了函数优化和路径规划的对比实验,实验结果表明,HGWO算法具有良好的求解精度和稳健的鲁棒性。     

空中机器人路径规划算法研究

空中机器人能够在枯燥的任务领域、恶劣及危险的环境任务领域不需人为干预地完成指定任务,近年来在军 事和民用两个方面得到越来越广泛应用。本文根据战场上各种威胁的分布情况,构建了Voronoi 图,结合不同威胁的具体信 息,计算Voronoi 图中路径段的代价,最后通过计算和修正,得出了空中机器人的飞行最优路径。