基于改进PRM算法的机器人路径规划

概率路线图(Probabilistic Roadmap, PRM)算法是移动机器人领域常用的路径规划算法。针对传统PRM算法存在采样点分布不均匀、路线图构建效率低以及路径冗余不平滑等问题,提出了一种改进PRM算法。使用二维Sobol序列优化采样策略,保证采样点全局均匀分布,优化采样点的覆盖面积,提高了采样点的质量;其次,对采样点进行邻域分类并施加连接约束,使相邻邻域采样点进行连接,减少路线图的大小,提高了路线图的构图和搜索效率;接着,使用节点平移优化算法优化节点位置,使优化路径符合实际空间中的最优路径;最后,使用贝塞尔曲线平滑路径拐点,使生成的路径更符合机器人的实际运动约束。大量仿真实验结果表明,改进PRM算法可以有效提升规划路径的质量且受采样点数量的影响较小。相比于传统PRM算法和其他改进PRM算法,提出的PRM算法在路径长度、运行时间和成功率上具有明显优势。     

对AGV路径规划A星算法的改进与验证

为了减少AGV（Automate Guide Vehicle,自动导引车）的运输路径长度和转折次数,提出了改进的A星算法,采用几何方法对传统A星算法规划出的路径进行进一步优化。首先遍历路径上的所有节点,剔除路径中冗余节点和不必要拐点,获取仅包含起点、必要拐点、终点的路径。最后计算AGV在拐点处的旋转角度及旋转方向,使AGV在拐点处能够调整自身姿态。并分别对传统A星算法、蚁群算法和改进A星算法进行了对比实验。实验结果表明该方法不仅保留了A星算法运算速度快的优点,还能够有效地规划出距离短且平滑的路径。提高了AGV的运行效率,降低了AGV的耗能。     

基于节点优化的改进全局路径规划A*算法

目前越来越多的领域使用移动机器人代替人工工作。路径规划就是移动机器人正常工作的保障之一,A*算法就是一种路径规划算法。针对A*算法生成路径拐点多、路径较长的问题,提出了一种基于将搜索邻域扩大至5×5的随机数去除节点的改进A*算法。首先,将3×3的搜索邻域扩大至5×5,从而减少拐点个数,改善转折角度,去除冗余点;其次,引入一种随机数去除冗余节点的方法,该方法是通过随机连接节点判定其是否穿过障碍物来去除冗余节点,从而进一步去除A*算法路径列表的冗余点;最后,将改进的算法与A*算法在30×30的栅格地图中进行仿真比较,实验结果表明,改进的算法在多组路径中都有很好的优化效果,路径长度、运行时长和访问节点数分别平均减少了4.46%、24.83%和39.93%,从而有效改善A*算法生成拐点多、路径较长的问题。     

改进概率路标图算法

为解决传统概率路标图算法(probabilistic roadmap,PRM)学习阶段路线图R(N,E)中路线图边集E较为复杂和查询阶段生成的路径转折次数较多的问题,提出边集优化方法并引入道格拉斯-普克算法.在学习阶段,通过对随机点进行约束,减少路线图中集合E的大小,减少查询阶段的计算量.在查询阶段,通过对搜索到的无碰撞路径节点进行峰值节点提取,有效去除冗余节点.实例仿真结果表明,改进PRM算法比标准的PRM算法具有更高的求解效率和更少的路径节点数目.     

基于近似最近邻搜索的改进PRM算法

针对移动机器人工作环境范围复杂时,使用传统概率路线图(PRM)算法非常耗时的问题,提出一种改进的PRM算法.PRM算法最耗时的部分是构建无向路径图,构建无向路径图的关键是近邻搜索.通过使用近似最近邻搜索中的局部敏感哈希算法代替原先最近邻搜索算法,在不降低生成路线图质量的前提下,加快无向路线图的构建速度,减少PRM算法的运行时间.仿真结果表明,改进的PRM算法相较于传统的PRM算法在无向路径图建立时间上减少27.36％ ～33.27％,使PRM算法效率大大提高.     

面向安全避障的无人机鲁棒跟踪飞行控制

针对无人机在执行任务时所面临的安全飞行问题,基于已知威胁信息采用A*算法生成初始航路点.为解决存在过多冗余点、拐点以及路径不平滑等缺点,对规划得到的初始航路点进行二次规划,删除不必要的转折点并对其综合平滑处理,得到满足无人机性能约束的航路点.同时采用B样条曲线拟合航路离散点,在此基础上考虑安全飞行控制裕度,生成无人机的...     

基于改进概率路线图算法的煤矿机器人路径规划方法

路径规划是煤矿机器人在煤矿井下非结构化狭长受限空间中应用亟待解决的关键技术之一。针对传统概率路线图(PRM)算法在空间狭长封闭巷道环境中难以保障采样的节点均匀分布于自由空间中导致路径规划失效,以及节点可能距离障碍物较近导致规划的路径可通行性差等问题,提出了一种基于改进PRM算法的煤矿机器人路径规划方法。在构造阶段引入人工势场法,将落在障碍物中的节点沿与其距离最近自由空间中的节点连线方向推至自由空间,并在障碍物边缘建立斥力场,实现节点的均匀分布且使其距离障碍物有一定距离;在查询阶段融合D^*Lite算法,当遇到动态障碍物或前方无法通行时可实现路径的重规划。仿真结果表明：改进PRM算法的节点均匀分布在自由空间中,且均距离障碍物一定距离,提高了路径规划的安全性;当节点数为100个时,改进PRM算法成功率较传统PRM算法提高了25%;随着节点数增加,传统PRM算法和改进PRM算法路径规划成功次数均呈增长趋势,但改进PRM算法在效率方面优势更明显;当节点数为400个时,改进PRM算法运行效率较传统PRM算法提高了35.13%,且规划的路径更平滑,路径长度更短;当障碍物突然出现...     

基于信息启发的目标导向Bi-RRT机器人路径规划

针对双向快速搜索随机树(Bi-RRT)算法节点扩展的随机性和盲目性导致路径规划效率低、路径粗糙的问题，提出一种基于信息启发的目标导向Bi-RRT算法。首先，为降低节点扩展的随机性和盲目性，优化了树节点的扩展方式，采用回归分析生成的节点信息优化扩展节点评价函数，以强化节点生长的目标趋向性，并由节点与环境代价约束扩展方向。然后，采用分支定界思想剔除初始路径中的冗余节点，得到满足最大转向角约束的路径，并运用B样条曲线进行路径平滑，提高路径的平滑性和连续性。最后，基于MATLAB仿真平台对本文算法和经典路径规划算法在不同环境中进行了实验对比，实验结果验证了本文算法的有效性及可执行性。     

基于双向随机树改进的智能车辆路径规划研究

针对快速扩展随机树算法随机性大、收敛速度慢和偏差性的问题,基于基本快速扩展随机树算法,通过采用循环交替迭代的搜索方式生成新节点,双向随机树同时搜索,改进优化了基本快速扩展随机树算法,解决了基本快速扩展随机树算法随机性大、收敛速度慢和偏差性的问题。建立车辆转向模型,确定车辆转向角度约束范围,在算法中增加车辆的转弯角度约束,减少生成路径的偏差性,改善了生成路径的质量。对生成的路径进行节点优化,去除多余的节点,缩短了路径的长度,提高了路径的可行性。采用B样条曲线改善路径的平滑度,在路径折点处插入局部端点,对路径进行平滑度处理,使生成的路径更加符合车辆的行驶条件。用Matlab进行虚拟仿真,验证了该算法的正确性。     

导航系统中多目标路径平滑化规划的研究

路径规划是车辆、机器人出行、无人机航路推荐和计算机游戏等许多应用中的关键任务。现有的大多路径规划常简化为单目标优化问题进行求解。但在现实生活中,还需要同时考虑多种规划目标,且用于规划路径的目标之间还存在着彼此不能变换的问题。在熟知的路径规划算法（D*Lite）上提出了一种新的多目标路径平滑化规划算法-平滑多目标D*Lite算法。通过构造一条初始多目标平滑路径,当检测到环境变化时采用增量搜索思想,仅更新受影响结点并从当前结点重新进行规划得到一条新的多目标平滑路径。仿真结果表明,该算法不但能有效躲避突发障碍物,规划路径拐点较少,还能提高搜索效率,可有效应用于具有不同非交互规划目标的导航系统。     

栅格图特征提取下的路径规划建模与应用

在静态环境下的自动导引车辆（Automated Guided Vehicle,AGV）路径规划问题中,由于规划的路径节点过多,导致车辆的运行效率降低,损耗增加。为此,提出了一种新的栅格建模方法来模拟车辆运行环境,利用蚁群算法对新的栅格环境进行路径规划,对蚁群算法的收敛性进行证明。从栅格图中提取出障碍物的顶点作为新的备选点来规划路径,减少了蚁群算法中要搜索的节点数目。结果表明,新的栅格法建模可以应用于蚁群算法的路径规划中,并提高算法的收敛速度,减少AGV方向变化的次数,在综合性能上优于传统栅格建模方法。     

融合粒子群与改进蚁群算法的AUV路径规划算法

针对传统蚁群算法在处理自主式水下机器人AUV（Autonomous Underwater Vehicle）三维路径规划问题时存在初期寻径能力弱、算法收敛速度慢等问题,提出一种融合粒子群与改进蚁群算法的AUV路径规划算法PSO-ACO（Particle Swarm Optimization-improved Ant Colony Optimization）。基于空间分层思想建立三维栅格模型实现水下环境建模;综合考虑路径长度、崎岖性、危险性等因素建立路径评价模型;先使用粒子群算法预搜索路径来优化蚁群算法的初始信息素;再对蚁群算法改进状态转移规则、信息素更新方式并加入奖惩机制实现全局路径规划。实验表明,算法能有效提高初期寻径能力和全局搜索能力,减少收敛迭代次数并缩短搜索使用时间。     

基于概率优化的水下通道感知能量优化路由

针对水下传感器网络能量损耗较大,延迟较严重的问题,提出一种基于概率优化的水下通道感知能量优化路由（PPUN）。在能量优化上,针对水下节点随机覆盖存在的多余感测覆盖范围所造成的额外能量损耗问题,采用传感器节点数量的概率优化方法,在保证覆盖率和节点连通率的情况下推导出网络所需要的最小节点数目,从减少传感器数目的问题上来优化总体能量。而针对路由的能量损耗问题,在节点的链路规划上采用了通道感知路由算法,考虑了在一定能量损耗阈值条件下的最短节点路径,避免水下节点盲目选择能量损耗较大的最短路径而导致数据转发失败,消耗更多能量。延迟问题抓住主要的解码延迟问题进行了分析并利用HARQ-III方案对延迟时间加以控制。实验对比分析表明,算法采取控制传感器数目和链路规划的方法,在实现能量优化上具有一定优势,延迟控制方案也得到了较好的效果。     

室内场景下应用拓扑结构的高效路径规划算法

针对基于随机采样的路径规划算法效率低且采样具有随机性的问题,提出一种应用拓扑结构的高效路径规划算法ATIRRT^*。通过引入拓扑节点代替STIRRT*算法中Harris角点检测算法得到的特征点进行采样,给出基于阈值的自适应选择方法来消除路径骨架上提取的冗余特征点,利用该阈值得到的拓扑节点可以使随机树的扩展更具方向性,从而减少寻找初始路径的时间和代价。根据非单一父节点的连接方式加强交叉支路上的拓扑节点间的联系,通过节点扩充策略增加相邻拓扑节点间的节点数量以加快优化算法的收敛。在此基础上定义相关约束条件将初始路径分段并进行逐段优化,以提高优化算法的效率。在常规环境、狭长空间和仿真的室内环境3种类型地图上的仿真结果表明,相较于STIRRT^*算法,改进算法在规划路径长度上平均减少8%,在规划时间上平均降低10%,可快速地找到更优的初始路径,同时在优化过程中减少了无用的探索空间,提高了搜索效率。     

基于随机漂移粒子群算法的WSNs节点定位

提出了随机漂移粒子群优化（RDPSO）算法,并将该算法应用于接收信号强度指示（RSSI）定位算法中,以降低由RSSI测距产生的定位误差.在仿真实验中,分别比较了基于RDPSO和PSO的RSSI定位算法.实验结果表明：RDPSO算法是在优化性能上优于PSO算法,有效提高了节点定位精度,证明该方法收敛速度快,稳定性能好,精度高,适用于WSNs节点定位问题.     

城市灾区无人机网络自适应覆盖优化算法

城市灾区中,地面用户节点的移动特性使得应急网络覆盖成为难题。针对城市灾区移动用户节点的应急网络覆盖优化问题,提出一种无人机网络自适应覆盖优化算法。对布谷鸟搜索算法进行改进,并对目标函数进行优化调整,将城市灾区地面用户节点的移动模型应用于改进的布谷鸟算法模拟中,最终实现对城市灾区重点区域移动用户的自适应覆盖优化。仿真结果表明,所提算法与相同实验环境下的标准布谷鸟算法（CSA）和模拟退火算法（SAA）相比,对重点区域的覆盖率分别提升了2.98个百分点和1.87个百分点。多次实验表明无人机网络的覆盖率、连通性及路径损耗稳定,且随着仿真时间变化,应急网络的性能稳定。证明了该算法不仅能够对城市灾区移动节点提供稳定的动态网络覆盖,有较强的全局以及局部寻优能力且能够更加有效地提高对重点区域的覆盖率。